实例与标签：面向层次多标签文本分类的层次感知联合监督对比学习

层次多标签文本分类（HMTC）旨在多标签分类中利用标签层次结构。近期 HMTC 方法通过以半监督方式对生成样本使用对比学习，将文本与标签嵌入拉近，从而处理对输出空间施加过度约束前提的问题。然而，样本生成倾向于引入噪声，因其忽略同批次中相似样本间的相关性。该问题的一个解决方案是监督对比学习，但由于其复杂的结构化标签，它在 HMTC 中仍属未充分探索的课题。为克服此挑战，我们提出 $\textbf{HJCL}$，一种 $\textbf{H}$ierarchy-aware $\textbf{J}$oint Supervised $\textbf{C}$ontrastive $\textbf{L}$earning（层次感知联合监督对比学习）方法，弥合了监督对比学习与 HMTC 之间的鸿沟。具体而言，我们采用实例级与标签级对比学习技术，并精心构造批次以达成对比学习目标。在四个多路径 HMTC 数据集上的广泛实验表明，HJCL 取得了有前景的结果，并证明了对比学习在 HMTC 上的有效性。