面向文本分类的多任务标签嵌入
计算与语言
2017-10-20 v1
摘要
文本分类中的多任务学习利用相关任务间的隐式关联来提取共同特征并提升性能。然而，以往大多数工作将每个任务的标签视为独立且无意义的独热向量，这导致潜在信息的丢失，并使这些模型难以联合学习三个或更多任务。本文提出多任务标签嵌入方法，将文本分类中的标签转换为语义向量，从而将原始任务转化为向量匹配任务。我们实现了多任务标签嵌入的无监督、有监督和半监督模型，这些模型均利用了任务间的语义关联，并且在涉及更多任务时特别便于扩展和迁移。在五个文本分类基准数据集上的大量实验表明，我们的模型能够通过标签的语义表示和来自彼此间的额外信息，有效提升相关任务的性能。
引用
@article{arxiv.1710.07210,
title = {Multi-Task Label Embedding for Text Classification},
author = {Honglun Zhang and Liqiang Xiao and Wenqing Chen and Yongkun Wang and Yaohui Jin},
journal= {arXiv preprint arXiv:1710.07210},
year = {2017}
}
备注
arXiv admin note: text overlap with arXiv:1707.02892