Mar, 2024

KeNet: 知识增强的 Doc-Label 注意力网络用于多标签文本分类

PDF
TL;DR提出一种名为 Knowledge-enhanced Doc-Label Attention Network (KeNet) 的新方法，通过综合的文档、知识和标签表示来预测每个文本的所有标签，并在多个多标签数据集上进行了综合验证，实验证明我们的方法优于现有的多标签文本分类方法。
发现论文，激发创造
  • 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

  • 利用多任务学习增强多标签文本分类中的标签相关反馈

    通过引入多任务学习和标签相关性反馈机制来增强标签相关性学习，其中采用文档 - 标签交叉注意力机制来生成一个更具有区分度的文档表示，以及两个辅助标签共现预测任务来增强标签相关性学习，实验结果表明，我们的方法在 AAPD 和 RCV1-V2 数据集上优于竞争性基线方法。

    Jun, 2021

  • 多标签文本分类中用平衡更新和集体损失替代数据注释

    通过使用预训练语言模型，在低监督情况下有效提高多标签文本分类性能的方法。

    Sep, 2023

  • ML-Net：基于深度神经网络的生物医学文本多标签分类

    ML-Net 是一个新型的深度学习框架，用于多标签分类生物医学文本，它通过组合标签预测网络和自动标签计数预测机制来在输出标签时利用每个标签的预测置信度和目标文档中的上下文信息，无需人工特征工程，具有高效、可扩展等特点。

    Nov, 2018

  • 大规模多标签文本分类的实证研究，包括少量和零样本标签

    本研究在多个数据集上评估了多种 Large-scale Multi-label Text Classification 方法，发现基于概率标签树的层次分类方法优于 Label-Wise Attention Networks。另外，结合 Transformer 的方法在两个数据集上实现了优秀的性能，同时提出了一种新的最先进的方法，将 BERT 与 LWANs 相结合。此外，还引入了图形感知注释接近度度量，提出了利用标签层次结构来改进少量和零 - shot 学习的新模型。

    Oct, 2020

  • 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

  • 检索增强多标签文本分类

    本文提出了一种检索增强的方法来解决具有 Zipfian 分布标签支持的大标签集情 况下的多标签文本分类问题，并通过交叉关注和检索来改善分类模型的样本效率，实验证明这种方法在标签分布偏斜、低资源训练和长文档数据情境下显著提高了模型性能。

    May, 2023

  • 头标签是否有助于长尾多标签文本分类

    本文提出了一种头到尾网络（HTTN）来解决多标签文本分类中的少样本问题，通过传递元知识从富数据头标签到缺乏数据的尾标签，提高了尾分类器的泛化能力，在三个基准数据集上获得了比现有技术更好的实验结果。

    Jan, 2021

  • 基于元数据诱导的对比学习，用于零样本多标签文本分类

    本研究使用元数据引导对比学习的方法来训练文本分类模型，从而在没有标注文件的情况下，提供更好的多标签文本分类性能，特别是在训练数据呈现长尾标签分布时。

    Feb, 2022

  • DKEC: 领域知识增强的电子健康记录多标签分类

    通过融合领域知识与文本特征，DKEC 算法以标签关注机制为基础，在医学诊断预测领域取得卓越表现，尤其对于少样本类别具有显著优势，并有助于小型语言模型取得与大型语言模型相当的性能。

    Oct, 2023