关于特征向量矩阵

[demons6665]

比如有1000个句子的数据集（900训练+100测试），词汇表有10000，那么您代码中使用的adj是前900代表训练文档，中间的10000为word，最后的100为测试文档是吧，然后我看到代码中初始化了特征向量（文档为0向量，word为随机向量），但是最后统一改成了单位矩阵。 我现在有这1000个句子和10000个word的特征表示向量，我想问的是如何将这些feature一一对应到adj中呢？adj是根据哪个变量按什么顺序排列的呢？

[yao8839836]

@demons6665

最后的特征向量为单位矩阵，只在对角线上为1，也就是每个节点只在adj中对应的位置的那一维为1，特征向量的每一行和adj的每一行是一一对应的。

[lidejian]

这样有个问题，那应该怎样使用初始化的特征向量呢？比如要使用初始化的词向量，词向量是300维。将特征向量设置为单位矩阵，feature是[node,node]大小，但是使用初始化的特征向量，feature该是[node,300]么？

[yao8839836]

@lidejian

使用初始化的特征向量，feature该是[node,300]。 我试过在Text GCN的图中用GloVe词向量作为词节点的初始化，文档中词向量的平均作为文档向量初始化，但发现效果不太好。

[VeitchG]

如果我要用初始化的特征向量，我除了在build_graph.py里面把预训练的特征向量加上，我还应该在train.py里面对features做怎样的处理呢？非常期待您能回答我，因为我对这方面也不是太懂

[yao8839836]

@VeitchG

在build_graph.py里面把预训练的特征向量加上， 在train.py中把features = sp.identity(features.shape[0])注释掉即可。

[VeitchG]

@yao8839836 非常感谢您的答复，我试了在train.py中把features = sp.identity(features.shape[0])注释掉，报出了维度错误，之后我又在model.py中将GraphConvolution(input_dim=self.input_dim, output_dim=FLAGS.hidden1, placeholders=self.placeholders, act=tf.nn.relu, dropout=True, featureless=False, sparse_inputs=True, logging=self.logging)) 中的featureless更改成False就可以跑了，是这样改的么？

[yao8839836]

@VeitchG

是的，那里也要改。