Mar, 2023

利用标签层次结构采用辅助度量的多答案问句任务用于极端多标签文本分类

PDF
TL;DR本研究提出了一种基于多答案提问任务的极端多标签分类方法和辅助分类评估指标，并将其应用于法律领域，结果表明该方法在 EURLEX 数据集上能够完成极端多标签分类。
extreme multi-label text classificationhierarchy partitioningmulti-answer questioning tasklegal domainbert models
发现论文，激发创造
  • 多级多类别科学多选考试问题分类

    研究使用细粒度分层分类法的最大挑战数据集，与基于 BERT 模型的算法相比，可以大大提高问题分类的准确度以及进一步改善问题回答系统的性能。

    Aug, 2019

  • 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

  • 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

  • BERT 模型进行开放性问题的多标签分类

    本研究比较了基于 BERT 的多标签分类系统与传统的多标记算法的性能，在德语社会科学调查 GLES Panel 中，BERT（至少强制一个标签）的分类具有最小的 0/1 损失，为 13.1％，因此表明 BERT 对于多标签问题的处理是有效的。

    Apr, 2023

  • 问题回答中的答案类型预测的极限分类

    该论文利用结构和语义特征，使用 Transformer 模型（XBERT）进行极端多标签分类，从而预测给定自然语言问题的知识图谱类型，展示了这些特征可以提高 SMART 任务的性能，并获得了最先进的结果。

    Apr, 2023

  • 无后悔泛化的分层 softmax 算法在极端多标签分类中的应用

    本文中，我们探究了处理极端多标记分类问题的概率标记树（PLTs），并通过实现 extremeText（XT）来证明 PLTs 在 precision@k 指标下是一个 HSM 的无遗憾多标签泛化。同时，我们证明了 pick-one-label 启发式算法在一般情况下不是一致的，我们的实现方法比使用 pick-one-label 的 HSM 和专门为 XMLC 问题设计的神经网络 XML-CNN 得到的结果更好。此外，XT 在统计性能、模型大小和预测时间等方面与许多最先进的方法相当，适合部署在在线系统中。

    Oct, 2018

  • 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

  • 对抗性极端多标签分类

    本文探讨了在存在对抗扰动的情况下的极端分类中的学习任务，并提出了一种鲁棒优化框架和相应的正则化目标，发现 Hamming 损失可作为尾标签检测的有效方法。通过结合正则化目标和基于 Proximal 梯度的优化方法，相对于 PFastreXML 和 SLEEC 等现有方法在 precision@k 和 nDCG@k 上提供了优异的性能。同时，我们还研究了标签图的谱特性，提供了新的洞察力以了解 Hamming 损失的一对多方法和标签嵌入方法之间性能的条件限制。

    Mar, 2018

  • 极端多标签法律文本分类：欧盟立法案例研究

    本文讨论在法律领域中进行的极端多标签文本分类（XMTC）任务，并发布了一个新的数据集，其中包含 57k 份来自欧洲公共文档数据库 EURLEX 的立法文件，注释了来自多学科词库 EUROVOC 的概念。本文实验了几种神经分类器，表明采用 self-attention 的 BIGRUs 优于目前使用基于标签的注意力的多标签最先进方法。用 BIGRUs 替换 CNN 在基于标签的注意力网络中，从而获得了最佳的整体性能。

    May, 2019

  • 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