GNN-XML：面向极端多标签文本分类的图神经网络
人工智能
2020-12-11 v1
摘要
极端多标签文本分类（XMTC）旨在从极大型标签集中为文本实例标注最相关的标签子集。由于现代应用（如新闻标注和产品推荐）产生的大规模标签集，XMTC近年来备受关注。XMTC的主要挑战是数据可扩展性与稀疏性，由此导致两个问题：i）难以扩展到极端标签设定；ii）存在长尾标签分布，意味着大部分标签仅有少量正训练实例。为克服这些问题，我们提出GNN-XML，一种为XMTC问题量身定制的可扩展图神经网络框架。具体而言，我们通过挖掘标签共现模式来利用标签相关性，并基于相关性矩阵构建标签图。随后，我们通过带低通图滤波器的图卷积进行属性图聚类，以联合建模标签依赖与标签特征，从而诱导出语义标签簇。我们进一步提出双边分支图同构网络，将表示学习与分类器学习解耦，以更好地建模尾部标签。在多个基准数据集上的实验结果表明，GNN-XML在保持可比预测效率与模型规模的同时，显著优于SOTA方法。
引用
@article{arxiv.2012.05860,
title = {GNN-XML: Graph Neural Networks for Extreme Multi-label Text Classification},
author = {Daoming Zong and Shiliang Sun},
journal= {arXiv preprint arXiv:2012.05860},
year = {2020}
}