通过多任务学习增强多标签文本分类中的标签相关性反馈
计算与语言
2021-06-08 v1
摘要
在多标签文本分类（MLTC）中，每篇给定文档都关联一组相关的标签。为捕捉标签相关性，已有的分类器链和序列到序列模型将MLTC转化为序列预测任务。然而，它们往往存在标签顺序依赖、标签组合过拟合和错误传播问题。为解决这些问题，我们引入了一种基于多任务学习的新方法来增强标签相关性反馈。我们首先利用联合嵌入（JE）机制同时获取文本和标签表示。在MLTC任务中，采用文档-标签交叉注意力（CA）机制生成更具判别力的文档表示。此外，我们提出两个辅助的标签共现预测任务以增强标签相关性学习：1）成对标签共现预测（PLCP），2）条件标签共现预测（CLCP）。在AAPD和RCV1-V2数据集上的实验结果表明，我们的方法大幅优于具有竞争力的基线。我们分析了低频标签表现、标签依赖、标签组合多样性和覆盖速度，以展示所提方法在标签相关性学习上的有效性。
引用
@article{arxiv.2106.03103,
title = {Enhancing Label Correlation Feedback in Multi-Label Text Classification via Multi-Task Learning},
author = {Ximing Zhang and Qian-Wen Zhang and Zhao Yan and Ruifang Liu and Yunbo Cao},
journal= {arXiv preprint arXiv:2106.03103},
year = {2021}
}
备注
Accepted by ACL 2021 (Finding)