Sep, 2024

层次文本分类中的文本-标签对齐建模

HTML
PDF
TL;DR本研究解决了现有层次文本分类方法中，文本与标签对齐动态性不足的问题。提出的文本-标签对齐损失（TLA）通过对比学习，实现文本与正标签的紧密对齐，同时远离负标签，大大增强了文本表示与相关标签之间的关联性。实验结果表明，基于此框架的层次文本-标签对齐模型（HTLA）在基准数据集上取得了显著效果，展现出对层次文本分类的潜在影响。
发现论文，激发创造
  • 基于强化标签分配的层次文本分类

    该论文提出使用深度强化学习的方法学习标签分配策略，探索标签的层次结构，并在训练和推断时进行一致的探索决策，以提高层次文本分类的性能。实验结果表明，该方法平均提高了33.4％的宏平均F1得分，并且在五个公共数据集上优于现有的最先进的层次文本分类方法。

    Aug, 2019

  • 强化标签层次推理提升预训练模型在零样本多标签文本分类中的表现

    本研究提出了一种加强预训练模型和标签层次结构的方法（RLHR）来优化ZS-MTC任务，并设计了一个回滚算法来消除推理期间的逻辑错误，实验结果显示我们的方法在三个真实数据集上表现更好，优于之前的非预训练方法。

    Apr, 2021

  • HTCInfoMax: 基于信息最大化的分层文本分类全局模型

    本文介绍了信息最大化方法HTCInfoMax来解决现有模型在层次文本分类中存在的问题，包括与样本不相关的标签信息以及未考虑标签统计特性等。我们的方法在建模标签-文本间的相互关系、鼓励结构向量学习更好的表示，并能更好地处理标签不平衡问题，实验验证了其有效性。

    Apr, 2021

  • 将层次结构纳入文本编码器：一个基于对比学习的层次文本分类方法

    本文提出了一种将层级结构直接嵌入文本编码器的层次引导对比学习（HGCLR）方法, 通过此方法，将正样本进行层次指导，以学习生成具备层次感知的文本表示, 在三个基准数据集上的实验证明了HGCLR的有效性。

    Mar, 2022

  • 利用全局和局部层次结构进行层次文本分类

    本研究提出了一个使用 Hierarchy-guided BERT with Global and Local hierarchies (HBGL) 方法来处理层级文本分类中的全局和本地层次结构，并将其应用于三个基准数据集，取得显著的改善。

    May, 2022

  • HiTIN: 面向分层文本分类的层次感知树同构网络

    本文提出了Hierarchy-aware Tree Isomorphism Network (HiTIN) 模型，该模型仅利用标签层次的句法信息增强文本表示，并成功在多个数据集上实现了良好的表现和更少的内存消耗。

    May, 2023

  • 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

  • HiGen: 基于层次的层次文本分类序列生成

    提出了一种基于语言模型的文本生成框架HiGen来解决多标签文本分类下的层次分类问题，通过动态文本表示方法和层级引导的损失函数，结合任务特定的预训练策略，处理数据和减轻类别不平衡问题，在ENZYME、WOS和NYT数据集上展示出优越性能。

    Jan, 2024

  • HiLight：一种具有层次感知的轻量级全局模型和层次局部对比学习

    该研究解决了层次文本分类中现有模型在处理大规模分类层次时参数急剧增加的问题。提出了一种名为层次局部对比学习（HiLCL）的新学习任务，以高效引入层次信息。实验结果表明，HiLight模型在保持轻量化的同时，依然能够有效地进行层次文本分类。

    Aug, 2024

  • 重新审视层次文本分类：推理与度量

    本研究解决了层次文本分类（HTC）评估中的传统标签分类方法带来的局限性，提出基于特定设计的层次度量进行评估。通过引入新数据集并与各种基线模型进行比较，发现一些简单的基线在性能上与最新模型具有竞争力，强调了在HTC中新方法评估的重要性。

    Oct, 2024