Text classification is fundamental in natural language processing (NLP) and Graph Neural Networks (GNN) are recently applied in this task. However, the existing graph-based works can neither capture the contextual word relationships within each document nor fulfil the inductive learning of new words. Therefore in this work, to overcome such problems, we propose TextING for inductive text classification via GNN. We first build individual graphs for each document and then use GNN to learn the fine-grained word representations based on their local structure, which can also effectively produce embeddings for unseen words in the new document. Finally, the word nodes are aggregated as the document embedding. Extensive experiments on four benchmark datasets show that our method outperforms state-of-the-art text classification methods.

The persistent increase in forest pest outbreaks requires timely detection methods to monitor the disaster precisely. However, early detection is challenging due to insufficient temporal observation and subtle tree changes. This article proposed a novel framework that collaborates multi-source remote sensing data and uses a change detection algorithm to archive early detection of infestation caused by Dendrolimus tabulaeformis Tsai et Liu (D. tabulaeformis) attacks. First, all available Sentinel-2 images with less than 20% cloud cover were utilized. During periods with long intervals (>16 days) between Sentinel-2 images, Landsat-8 images with less than 20% cloud cover were downscaled to a spatial resolution of 10 m using a deep learning algorithm to meet the requirement for a high temporal frequency of clear observations. Second, the spectral index differences between healthy and infested trees were examined to address the challenge of detecting subtle changes in pest attacks. The Enhanced Vegetation Index (EVI) was selected for early defoliation detection. On this basis, the EWMACD (Exponentially Weighted Moving Average Change Detection) algorithm, which is sensitive to subtle changes, was enhanced to improve the capability of detecting early D. tabulaeformis attacks. The assessment showed that the overall accuracy of the change detection (F1 score) reached 0.86 during the early stage and 0.88 during the late stage. The temporal accuracy (Precision) was 84.1% during the early stage. The accuracy significantly improved compared to using a single remote sensing data source. This study presents a new framework capable of monitoring early forest defoliation caused by D. tabulaeformis attacks and offering opportunities for predicting future outbreaks and implementing preventive measures.

Factorization machine (FM) is a prevalent approach to modelling pairwise (second-order) feature interactions when dealing with high-dimensional sparse data. However, on the one hand, FMs fail to capture higher-order feature interactions suffering from combinatorial expansion. On the other hand, taking into account interactions between every pair of features may introduce noise and degrade the prediction accuracy. To solve these problems, we propose a novel approach, the graph factorization machine (GraphFM), which naturally represents features in the graph structure. In particular, we design a mechanism to select beneficial feature interactions and formulate them as edges between features. Then the proposed model, which integrates the interaction function of the FM into the feature aggregation strategy of the graph neural network (GNN), can model arbitrary-order feature interactions on graph-structured features by stacking layers. Experimental results on several real-world datasets demonstrate the rationality and effectiveness of our proposed approach. The code and data are available at https://github.com/CRIPAC-DIG/GraphCTR .