基于语义单元的空洞卷积用于多标签文本分类
计算与语言
2018-11-13 v2
摘要
我们提出了一种基于序列到序列学习的多标签文本分类新模型。该模型通过多级空洞卷积生成更高层次的语义单元表示，以及相应的混合注意力机制，提取词级和语义单元级的信息。我们设计的空洞卷积有效降低维度并支持感受野的指数级扩展而不丢失局部信息，而注意力之上的注意力机制能够从源上下文中捕获更多与摘要相关的信息。实验结果表明，在RCV1-V2和Ren-CECps数据集上，所提模型相较基线模型具有显著优势，且我们的分析表明该模型可与确定性的层次模型竞争，并对低频标签分类更具鲁棒性。
引用
@article{arxiv.1808.08561,
title = {Semantic-Unit-Based Dilated Convolution for Multi-Label Text Classification},
author = {Junyang Lin and Qi Su and Pengcheng Yang and Shuming Ma and Xu Sun},
journal= {arXiv preprint arXiv:1808.08561},
year = {2018}
}
备注
EMNLP 2018