Mar, 2022

基于注意力的学术资源文本级多标签分类

PDF
TL;DR本文提出了一种基于注意力机制的层次化多标签学术文本分类算法，该算法结合了文本、关键词和层次结构等特征，利用 word2vec 和 BiLSTM 来获取文本、关键词和层次结构的嵌入式和潜在向量表示，并使用分层注意机制来捕捉关键词、标签层次结构和文本词向量之间的关联，以生成特定于分层的文档嵌入向量取代 HMCN-F 中的原始文本嵌入。实验结果显示，该算法具有较好的效果。
hierarchical multi-label academic text classificationattention-based algorithmword2vecbilstmhierarchical attention mechanism
发现论文，激发创造
  • 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

  • HAXMLNet：用于极端多标签文本分类的分层注意力网络

    提出了一个名为 HAXMLNet 的层次化网络结构，利用多标签关注机制来解决极端多标签文本分类问题，并在实验中表现出与其他最先进方法相媲美的性能。

    Mar, 2019

  • 基于混合注意力机制的标签感知文档表示法用于极端多标签文本分类

    该研究提出了一种名为 LAHA 的模型，该模型利用文本内容和标签关联性之间的语义关系，建立了一个显式的标签感知表征，特别是在尾标签的情况下，使得模型在非常大规模的标签集中的文本标记任务中表现出了卓越性能。

    May, 2019

  • 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

  • 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

  • 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

  • 面向大规模多标签文本分类的层次化分类感知及关注图胶囊 RCNNs

    我们提出了一种新的层级分类感知和注意图胶囊递归卷积神经网络框架，以实现大规模多标签文本分类。

    Jun, 2019

  • 相干的层次多标签分类网络

    本文提出了一种新的层次化多标签分类问题的方法 C-HMCNN (h)，该方法利用网络 h 中的层次信息，以产生符合约束的预测并提高性能，在广泛的实验分析中展示了与最先进模型相比的优异性能。

    Oct, 2020

  • AttentionXML：基于标签树的注意力深度模型，用于高性能极端多标签文本分类

    本研究介绍了一种新的基于标签树的深度学习模型 AttentionXML，它采用多标签注意机制和浅而宽的概率标签树来处理极端多标签文本分类问题，能够对数百万个标签进行处理，并成功地解决了 BOW 和传统深度学习模型在文本分类中的局限性。在几个基准数据集上，AttentionXML 表现出比其他八种最先进的方法更好的性能，期望成为文本分类领域内的研究热点。

    Nov, 2018

  • 层次感知联合对比学习实例和标签用于层次多标签文字分类

    通过使用层次化多标签文本分类和对比学习的方法，提出了一种叫做 HJCL 的方法来解决半监督学习中样本生成引入噪声的问题，并构造批次数据以实现对比学习目标的完全利用。

    Oct, 2023