摘要

极端多标签文本分类（Extreme Multi-Label Text Classification, XMTC）旨在从一个极其庞大的标签集中为文档标注最相关的标签。这是一个具有挑战性的问题，尤其是对于尾部标签，因为用于构建分类器的训练文档数量非常有限。本文旨在通过利用文档内容和标签相关性，更好地探索每个文档与极端标签之间的语义关系。我们的目标是使用一种混合注意力深度神经网络模型（Label-Aware Hybrid Attention, LAHA）为每个文档建立显式的标签感知表示。LAHA由三部分组成。第一部分采用多标签自注意力机制来检测每个词对标签的贡献度。第二部分利用标签结构和文档内容，在同一潜在空间中确定词与标签之间的语义联系。第三部分设计了一种自适应融合策略，以获得最终的标签感知文档表示，从而充分整合前两部分的本质特征。我们已在六个基准数据集上进行了广泛的实验，并与最先进的方法进行了比较。结果表明，我们提出的LAHA方法在尾部标签上的表现尤为优越。