计算机工程与科学

作者：肖新正, 黄瑞章, 陈艳平, 秦永彬, 宋玉梅, 周裕林,

单位：1.文本计算与认知智能教育部工程研究中心，贵州 贵阳 550025；2.公共大数据国家重点实验室，贵州 贵阳 550025；3.贵州大学计算机科学与技术学院，贵州 贵阳 550025

关键词：标签关联,标签修正,多标签,文本分类,可视化,

基金：国家自然科学基金（62066007，62066008）；贵州省教育厅高等学校科学研究（青年项目）（黔教技〔2022〕149号）

在目前的多标签文本分类任务中，主要面临以下2个问题：(1)侧重文本表示学习，对标签之间的关联信息建模不充分；(2)尽管使用了标签关联信息来改善多标签分类任务，但对标签关联的建模过于依赖人工预定义的外部知识，而外部知识的获取成本高昂，限制了其实际应用。针对以上问题，提出了一种面向多标签文本分类的标签关联学习模块Corrective-Net。该模块可以在不依赖外部知识的前提下，自动学习数据中的标签关联信息；同时，它还可以利用标签关联信息，对基础分类模块的初始预测结果进行修正，使得最终预测兼顾语义信息和标签关联信息，以获得更精准的多标签预测结果。在AAPD和SO数据集上的大量实验表明，Corrective-Net具有通用性和有效性，通过分析标签修正对各个标签性能的影响，得到了显式的标签关联信息，并进行了可视化。

来源：2024年第6期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2024年第6期