使用图神经网络对电影网络进行分类的框架

《Data》：A Framework for Classifying Movie Networks Using Graph Neural Networks

　　

摘要

电影类型分类是叙事分析中的一个重要挑战，因为传统方法往往无法捕捉电影故事中的复杂结构关系。本研究介绍了Intra-Cluster Weighted Movie Network（ICWMN），这是一个新颖的框架，通过使用图神经网络（GNNs）来改善分类效果。我们构建了一个包含1631部电影角色网络的大规模数据集，该数据集通过自动化流程（包括网络爬取、正则表达式和微调的BERT模型进行实体识别）生成。为了解决全连接模型的计算限制，我们将ICWMN划分为多个簇，并仅在使用K最近邻算法和各种距离度量（如拉普拉斯距离和NetLSD）的情况下，在k个最相似的节点之间建立边。XGBoost被用来优化高维节点特征向量。实验结果表明，图注意力网络（GAT）作为表现最佳的架构，其分类准确率达到了 95 percent percent' data-semantic-summary ' period separated list of length 2' data-semantic-braille="??????????"> 95' data-semantic-summary ' number' data-semantic-braille="???">95 period' data-semantic-summary ' period' data-semantic-braille="??">. 00 percent' data-semantic-summary ' number percent' data-semantic-braille="?????"> 00' data-semantic-summary ' number' data-semantic-braille="???">00 percent' data-semantic-summary ' percent' data-semantic-braille="??">% 在我们的1631部电影数据集上，以及773部电影的电影银河系（Moviegalaxies）数据集上，这些发现证实了与最先进的方法相比，优先考虑光谱属性和基于簇的网络拓扑结构显著提高了类型分类的精确度和稳定性。