ECLARE：利用标签图相关性的极端分类方法
计算与语言
2021-08-03 v1 信息检索
机器学习
摘要
深度极端分类（XC）旨在训练深度架构，以从极大型标签集中为数据点标注其最相关的标签子集。XC的核心效用在于预测训练期间极少出现的标签。此类稀有标签是提供令用户惊喜且满意的个性化推荐的关键。然而，大量稀有标签以及每个稀有标签的少量训练数据带来了显著的统计与计算挑战。最先进的深度XC方法试图通过引入标签的文本描述来缓解这一问题，但未能充分解决该问题。本文提出ECLARE，一种可扩展的深度学习架构，它不仅利用标签文本，还利用标签相关性，以在几毫秒内提供准确的实时预测。ECLARE的核心贡献包括一种精简架构以及可随标签相关性图在百万级标签规模上训练深度模型的可扩展技术。具体而言，在公开基准数据集以及来自Bing搜索引擎的关联商品推荐任务的专有数据集上，ECLARE的预测准确率提升了2%至14%。ECLARE的代码可在 https://github.com/Extreme-classification/ECLARE 获取。
引用
@article{arxiv.2108.00261,
title = {ECLARE: Extreme Classification with Label Graph Correlations},
author = {Anshul Mittal and Noveen Sachdeva and Sheshansh Agrawal and Sumeet Agarwal and Purushottam Kar and Manik Varma},
journal= {arXiv preprint arXiv:2108.00261},
year = {2021}
}