ICMLSep, 2017

HDLTex：文本分类的分层深度学习

PDF
TL;DR本文介绍了使用 Hierarchical Deep Learning for Text classification (HDLTex) 进行层级文本分类的方法，通过分层深度学习建立专项的文档层次，从而更好地处理文本检索、分类等问题。
document classificationsupervised learninghierarchical deep learningtext classificationdeep learning architectures
发现论文，激发创造
  • 弱监督层次文本分类

    本文提出了一种弱监督的神经方法进行层次文本分类，通过生成伪文档进行模型预训练，并在真实无标签数据上进行自我训练，最终得到高效准确的分类模型。

    Dec, 2018

  • 层次多标签文本分类的最新进展：一项综述

    本文综述了层次化多标签文本分类的最新进展，包括开源数据集、主要方法、评估指标、学习策略和当前面临的挑战，并列举了一些未来的研究方向，以便社区进一步改进该领域。

    Jul, 2023

  • 文本分类：深度学习方法的视角

    本文介绍基于深度学习的文本分类算法，包括文本分类任务所需的重要步骤，如特征提取、特征降维和评估策略与方法，并对不同的深度学习文本分类方法进行比较和总结。

    Sep, 2023

  • 科学文档的层次多标签分类

    本文介绍一种新的数据集 SciHTC，包含 186,160 篇论文和 1,233 个学科分类，建立了层次化多标签文本分类的强基线，并提出了一种多任务学习方法来进行主题分类，获得 Macro-F1 得分 34.57％，显示这个数据集提供了显著的研究机会。

    Nov, 2022

  • 层次文本分类的高效策略：外部知识和辅助任务

    本文利用类定义的词嵌入作为条件来预测下一层分类，并采用合适的搜索方法，以较少的参数数在两个著名的英语数据集上优于先前的研究。

    May, 2020

  • HFT-ONLSTM：分层微调的多标签文本分类

    本文提出了一个基于有序神经 LSTM 网络的分层和微调方法，缩写为 HFT-ONLSTM，以更准确地进行逐层 HMTC。 联合嵌入的新方法，基于父类别标签和文本数据进行准确捕捉文本和类别标签的联合特征，采用微调技术来训练参数，以使得上层文本分类结果对下层分类贡献。 实验结果表明，我们的方法在减少计算成本的同时，实现了优越的性能，优于基于分层和平面多标签文本分类方法的最新技术水平。

    Apr, 2022

  • 将层次结构纳入文本编码器：一个基于对比学习的层次文本分类方法

    本文提出了一种将层级结构直接嵌入文本编码器的层次引导对比学习（HGCLR）方法，通过此方法，将正样本进行层次指导，以学习生成具备层次感知的文本表示，在三个基准数据集上的实验证明了 HGCLR 的有效性。

    Mar, 2022

  • 基于层级神经网络的长文档分类方法

    本文研究使用分层传递学习方法进行长文本分类，通过将数据分成块，然后传递到使用双向编码器表示的预训练通用句子编码器和 BERT 的基本模型，然后使每个块的输出表示通过包括 LSTMs 或 CNNs 的浅层神经网络来分类文本数据。使用此扩展方法对 6 个基准数据集进行评估，同时与多个深度学习算法进行比较，其中 Longformer 方法在大多数数据集上始终表现良好。

    Jan, 2022

  • 层次化的注意力混合神经网络用于文档分类

    本文提出了一种基于卷积神经网络、门控递归单元和注意机制的组合方法，用于文档分类任务，并通过层次结构表示提取了更有意义、更可泛化和抽象的特征，改善了当前基于注意力机制的文档分类方法的结果。

    Jan, 2019

  • 利用几何深度学习对分层文本进行分类：以临床试验语料库为例

    使用几何深度学习方法将临床试验文件表示为图形，使用选择性图形汇集方法提高了分类准确性，最终在一个包含 360K 份临床试验文件的公共数据库上实现了 0.85 的 F1 分数。

    Oct, 2021