WSDMNov, 2021

MotifClass: 基于高阶元信息的弱监督文本分类

PDF
TL;DR本文探究了利用异构信息网络的 metadata 和 motif 来帮助弱监督文本分类，提出了一种名为 MotifClass 的新框架来选择标志类别 motif 实例，基于类别名称和标志类别 motif 实例检索并生成伪标记训练样本，使用伪训练数据训练文本分类器，并通过对真实世界数据集的广泛实验证明了 MotifClass 相对于现有弱监督文本分类方法的卓越性能和考虑高阶元数据信息在我们的框架中的好处。
weakly supervised text classificationmetadataheterogeneous information networkmotifshigher-order structures
发现论文，激发创造
  • 元数据辅助下的最小监督文本分类

    通过使用生成模型、利用元数据和合成训练样本，提出了一个文本分类方法 MetaCat，成功地解决了分类中存在的两个问题：元数据的使用和少量标注样本数据的问题。在多个数据集上验证实验，证明了该方法的有效性。

    May, 2020

  • 基于层次元数据感知的弱监督文档分类

    本研究介绍了 HiMeCat，一种基于嵌入式生成框架的弱监督文档分类方法，它能够有效地整合文本、元数据和标签层次结构，并通过数据增强和联合表示学习模块进一步优化分类效果。

    Oct, 2020

  • 元数据感知的大型层次文本分类

    本文提出了一种基于 MATCH 方案的文本分类方法，旨在在大规模标签层次结构中利用元数据和层次信息提高分类效果，实验证明其比深度学习基线模型效果更好。

    Feb, 2021

  • 用于自定义文本分类的分类元数据表示

    使用基向量来有效地将分类元数据合并到基于神经网络的模型的不同部分中，可以大大提高文本分类的性能。

    Feb, 2019

  • 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

  • 全文科学论文的弱监督多标签分类

    本研究提出了一种使用交叉文献网络结构和文内层级结构进行弱监督下的全文科学论文分类的框架 (FUTEX)，具有网络感知对比微调模块和层次感知聚合模块，实验结果表明它显著优于具有竞争力的基线，并且可以与使用 1000 到 60000 真实标签样本的完全监督分类器相媲美。

    Jun, 2023

  • 带元数据的神经模型文档

    本篇论文基于主题模型，利用变分推断的方法，提出了一种通用的神经网络框架，允许灵活地结合元数据，通过迅速探索备选模型等方法，在保证困惑度、连贯性和稀疏性的情况下，取得了强大的性能。此外，通过对美国移民文章语料库的探索，展示了本框架的潜力。

    May, 2017

  • 通过学习文本丰富的网络实现最小监督的结构丰富的文本分类

    本文提出了一种基于文本丰富网络的最小监督文本分类框架，通过联合训练两个模块，分别为文本分析模块和网络学习模块，从而生成伪标签来提高彼此性能，并在两个真实数据集上测试，结果表明该框架在仅提供三个种子文档时能够取得约 92% 的准确率，并且优于所有比较方法；其准确率仅比在 50K 个标记文档上训练的监督 BERT 模型低不到 2%。

    Feb, 2021

  • X-Class: 极弱监督文本分类

    本文提出一种基于弱监督模型下的文本分类方法，利用表面类名进行自适应表示学习，通过一个新的框架 X-Class，通过计算类别间相似性和类别特征相似度，完成文档表示和分类，实验表明该方法在多个基准数据集上表现良好。

    Oct, 2020

  • TELEClass: 在最小监督下的分类法丰富和 LLM 增强的分层文本分类

    通过自动丰富标签分类法和利用大型语言模型来进行弱监督的分层文本分类，我们的方法 TELEClass 在两个公共数据集上表现优于先前的弱监督分层文本分类方法和基于零样本提示的大型语言模型方法。

    Feb, 2024