Apr, 2023

MEGClass: 通过相互增强的文本粒度进行极弱监督文本分类

PDF
TL;DR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。
text classificationweakly-supervised learningmulti-head attention networktopic diversityclass representation
发现论文，激发创造
  • 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

  • FastClass：一种高效的弱监督文本分类方法

    本文提出了一种有效的弱监督分类方法 FastClass，它使用密集文本表示从外部无标签语料库中检索与类相关的文档，并选择最优子集来训练分类器，相比关键词驱动方法，我们的方法对初始类描述的依赖性更低且训练速度更快，实验证明在广泛的分类任务上，该方法的分类准确性通常优于关键词驱动模型并且训练速度对比关键词驱动方法快得多。

    Dec, 2022

  • XAI-CLASS：具有极弱监督的解释增强文本分类

    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

  • 基于关键词图的弱监督文本分类

    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

  • 弱监督神经文本分类

    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

  • WOT-Class：弱监督开放领域文本分类

    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

  • 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

  • 在低数据设置中利用粗粒度数据进行事件提取

    本文研究了使用粗粒度数据（文档或句子标签）替代对文档进行标注以进行事件信息提取的可行性，证明了使用多任务模型和二元分类等技术，即使只增加对没有事件信息的负面文档的标注也能提高提取性能。

    May, 2022

  • 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

  • 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