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

本文提出了一种弱监督文本分类方法，其包括一个利用种子信息生成伪标签文档进行模型预训练的伪文档生成器和一个在真实未标记数据上引导模型改进的自训练模块，具有处理不同类型弱监督任务和易于与深度神经网络模型集成等优点，并在三个真实数据集上进行了广泛的实验，结果表明其大幅优于基准方法而不需要过多的训练数据。

Sep, 2018

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

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

本文介绍了一种用于文本分类的简单高效的基线方法 fastText，在准确性方面通常与深度学习分类器相媲美，但在训练和评估方面快了数个数量级。我们用标准的多核 CPU 可以在不到十分钟的时间内对十亿多个单词进行训练，并在不到一分钟的时间内对 312K 种类别的 50 万个句子进行分类。

Jul, 2016

本文提出了一种弱监督开放世界文本分类的框架 WOT-Class，其中通过迭代聚类、挖掘和排名象征性单词以及使用重叠的象征性单词作为桥梁来合并冗余类别，可实现有限的监督训练遍及可知和未知类别，并在 7 个流行的文本分类数据集上进行了广泛实验，表明 WOT-Class 具有比现有方法更好的性能和实用潜力。

May, 2023

本文旨在提出一种非专家确定种子词的弱监督文本分类方法，使用基于相应类别名称的候选种子词，训练过程中的中间模型会无监督地评估出候选种子词的错误率，并选出表现最佳的词汇作为最终的种子词，通过在各个数据集上的比较测试，证明该方法在二元分类任务上超过了只使用类别名称种子词的基准方法，并获得了与使用专家注释种子词相当的性能 。

Apr, 2021

本文提出了一种 ClassKG 框架，使用图神经网络探索关键字图中的关键字之间的相关性，解决现有方法中关键字独立的问题，即忽略了它们之间的相关性，因此无法充分利用。该方法在长文本和短文本数据集上进行广泛实验，证明其性能显著优于现有方法。

Oct, 2021

提出了一个非常弱监督的文本分类方法 MEGClass，利用一种基于关键字的类定向句子和类表示方法，通过多头注意力网络进行分类，使用迭代反馈提高类表示，细调预训练分类器，相比于其他弱监督方法，MEGClass 在六个基准数据集上表现出更好的性能。

Apr, 2023

XAI-CLASS 是一种解释增强的极弱监督文本分类方法，通过加入词语显著性预测作为辅助任务，利用多轮问答过程生成伪训练数据，促进类别标签和相应解释词生成的相互增强，从而通过多任务框架同时学习文本分类和词语显著性预测，实验表明 XAI-CLASS 显著优于其他弱监督文本分类方法，同时提高模型性能和可解释性。

Oct, 2023