论文 Matching Article Pairs with Graphical Decomposition and Convolutions 详细流程
一、CIG
1.KeyGraph construction：（通过TextRank方法）提取出document中的keyword，构建KeyGraph，每个keyword为一个vertex，若两个keyword在同一个sentence中一同出现过，则这两个节点之间有边。
2.concept detection：（可选）用community detection算法将若干个相关性很高的keyword组成一个concept，即community detection可以将keygraph的所有节点split分组成多个communities，一个community中的若干个keyword为一个concept，注意每个keyword可能出现在多个concept中。（若不用步骤2，则每一个keyword为一个concept）
目前为止，得到concepts。
3.sentence attachment：将document中的每个sentence分配到对应的concept中（归类）。计算出每个sentence与每个concept的TF-IDF余弦相似值，找到与每个sentence最相似的concept。
目前为止，每个concept(每个节点)附带有若干个sentence。（对于两个document的公共concept，sentence来自不同的document）
4.构造好每个concept以及concept附带的sentences后，进行每个concept即每个节点它们的边的构建。
edge construction：边构建的标准是每个concept节点附有的sentences之间的TF-IDF文本相似性。
目前为止，CIN已经构建完成，图的每个节点为一个concept，节点之间的边代表concept之间的相似性相关性，每个concept附有sentences。
二、 Encoding Local Matching Vectors(learning multi-viewed matching features for each concept vertex)
每个节点学习一个matching vector用作feature（用来表示该节点附带的来自不同document的两个sentence sets的语义相似性）。
（以下将节点v附带的两个来自不同的document的sentence sets称作SAv和SBv）
有两种方法：
1.siamese Encoder：
输入为两段序列，分别为SAv的word embeddings以及SBv的word embedding。先分别经过一个context layer，得到CAv和CBv，目的是要分别获取SAv和SBv的上下文信息。
再经过一个aggregation layer(matching layer)，得到节点的feature的一部分mv。
2.Term-based Similarities：
用五种评分指标计算SAv和SBv的相似性相关性，这五个指标得到的score连接在一起得到节点的feature的另一部分mv’。
每个节点的feature为这两个方法得到的两个matching vector即mv和mv‘它们的concatenation。
注意：步骤二十分关键，将两个document的匹配转变成每个节点附有的两个sentence sets之间的匹配（比较它们是否相似相关）。
目前为止，每个节点都得到了一个matching feature，用作图上节点的特征，这个matching feature表示了SAv和SBv有多匹配有多相关，匹配程度（或者相似性）。
三、structurally transforming local matching features by graph convolutional layers
接着开始transforming，也就是用GCN，GCN的最后一层，得到每个节点新的representation（local matching features）。
GCN的作用：Each GCN layer updates the hidden vector of each vertex by integrating the vectors from its neighboring vertices. Thus, the GCN layers learn to graphically aggregate local matching features into a final result.（要想清楚节点的边的权重是依靠什么来得到的，以及GCN的input的节点的matching feature代表什么）ps：代表节点附带的两个句子集SAv和SBv的匹配程度（或者也可以说是相似性），用一个vector来表示。
四、aggregating local matching features to get the final result
将得到的每个节点的representation（local matching features）合并成一个全局的系统的（图层次的）matching vector，合并的方式是取平均。
目前为止，得到了一个全局的matching feature。
我们还需要增加全局matching feature的信息，将两个document（以document的层次）直接扔进BERT或者直接计算Term-based Similarities再得到另外的global matching feature，将其接入到作者模型得到的matching feature上，最后得到一个新的全局matching feature，最后扔入一个普通分类模型例如MLP，得到分类结果。
conclusion
They already learn to aggregate local comparisons into a global semantic reationship, additionally engineered global features cannot help.
“分而治之”，用图分解、再卷积聚合。
