ACLJun, 2021

利用多任务学习增强多标签文本分类中的标签相关反馈

PDF
TL;DR通过引入多任务学习和标签相关性反馈机制来增强标签相关性学习，其中采用文档 - 标签交叉注意力机制来生成一个更具有区分度的文档表示，以及两个辅助标签共现预测任务来增强标签相关性学习，实验结果表明，我们的方法在 AAPD 和 RCV1-V2 数据集上优于竞争性基线方法。
multi-label text classificationlabel correlationsmulti-task learninglabel co-occurrence predictiondocument representation
发现论文，激发创造
  • 多标签文本分类中用平衡更新和集体损失替代数据注释

    通过使用预训练语言模型，在低监督情况下有效提高多标签文本分类性能的方法。

    Sep, 2023

  • 通过因果关系的角度准确利用标签依赖进行多标签文本分类

    使用反事实文本分类器（CFTC）通过阻止相关性偏见来消除标签依赖引起的预测偏见。实验证明，我们的 CFTC 在数据集上明显优于基准模型并有效消除了相关性偏见。

    Oct, 2023

  • 一种深度强化序列到集合模型用于多标签文本分类

    本文提出了一种利用深度强化学习的新型序列到集合框架，不仅可以捕捉标签之间的关联性，而且还可以减少对标签顺序的依赖，实验结果表明我们提出的方法明显优于竞争基线。

    Sep, 2018

  • 基于注意力图神经网络的多标签文本分类

    本文介绍了一种基于图注意力网络的模型，用于捕捉标签之间的关注依赖结构。该模型使用特征矩阵和相关矩阵来探索标签之间的关系，并生成可用于端到端训练的分类器。该模型在 5 个真实的多标签文本分类数据集上表现出与先前的最先进模型相似或更好的性能。

    Mar, 2020

  • 检索增强多标签文本分类

    本文提出了一种检索增强的方法来解决具有 Zipfian 分布标签支持的大标签集情 况下的多标签文本分类问题，并通过交叉关注和检索来改善分类模型的样本效率，实验证明这种方法在标签分布偏斜、低资源训练和长文档数据情境下显著提高了模型性能。

    May, 2023

  • 基于协作的多标签学习

    该论文提出了一种新的多标签学习方法，通过在标签空间中的稀疏重构来学习标签相关性，并将其无缝地整合到模型训练中，以明确考虑标签的相关预测。实验结果表明，该方法的表现优于现有的最先进技术。

    Feb, 2019

  • KeNet: 知识增强的 Doc-Label 注意力网络用于多标签文本分类

    提出一种名为 Knowledge-enhanced Doc-Label Attention Network (KeNet) 的新方法，通过综合的文档、知识和标签表示来预测每个文本的所有标签，并在多个多标签数据集上进行了综合验证，实验证明我们的方法优于现有的多标签文本分类方法。

    Mar, 2024

  • 文本分类的多任务标签嵌入

    本文提出了 Multi-Task Label Embedding 模型，将文本分类中的标签转换为语义向量，从而将原始任务转化为向量匹配任务，利用任务间的语义相关性进行多任务学习，有效提升相关任务的性能。

    Oct, 2017

  • 探索对比学习用于长尾多标签文本分类

    我们进行了关于有监督对比学习在多标签文本分类中的影响以及如何构建稳健的表示空间的研究，提出了一种新的对比损失函数，并在三个多标签数据集上实现了显著的宏 F1 分数改进。

    Apr, 2024

  • 多标签环境中的标签相关性利用：情感分析案例研究

    论文研究了多标签情感识别模型中的标签相关性，并提出了两种建模方法和通过情感表示的成对约束作为正则化项，证明该方法在多种语言环境下具有最先进的性能和更好的稳健性。

    Oct, 2022