圖1.9是CANE的框架示意圖,從最底層看,使用訓練好的詞向量(就是一開始我們提到的word2vec)先把每個節點的文本信息表示為一個矩陣,然後使用行卷積變換;接著P和Q和一個Attention係數矩陣執行 運算, 表示著 對 的重要程度,然後分別採用的row-pooling和column-pooling +softmax產生一個注意力向量,比如 就表示v對P每列的重要程度;最後使用注意力向量和原詞向量矩陣相乘得到最終的v對u和u對v的text向量,分別表示為 ,和 損失函數由兩部分表示,一部分代表結構相似性 , 另一部分代表文本信息相關性 :