多标签文本分类研究进展

所属分类：文史论文阅读364次时间：2021-03-27 11:54

本文摘要：摘要：文本分类作为自然语言处理中一个基本任务，在上个世纪50年代就已经有人对其算法进行了研究，现在单标签文本分类算法已经趋向成熟，但是对于多标签文本分类的研究还有很大的提升空间。首先，介绍了多标签文本分类的基本概念以及基本流程，包括数据集获

　　摘要：文本分类作为自然语言处理中一个基本任务，在上个世纪50年代就已经有人对其算法进行了研究，现在单标签文本分类算法已经趋向成熟，但是对于多标签文本分类的研究还有很大的提升空间。首先，介绍了多标签文本分类的基本概念以及基本流程，包括数据集获取、文本预处理、模型训练和预测结果;之后介绍了多标签文本分类的方法，这些方法主要分为两大类：传统机器学习的方法和基于深度学习的方法。传统机器学习方法主要包括问题转换方法和算法自适应方法。基于深度学习的方法是利用各种神经网络模型来处理多标签文本分类问题，根据模型结构，将其分为基于CNN结构、基于RNN结构和基于Transformer结构的多标签文本分类方法;随后，对多标签文本分类常用的数据集进行了梳理总结;最后，对未来的发展趋势进行了分析与展望。

　　关键词：自然语言处理;多标签文本分类;深度学习

文本阅读

　　文本作为信息的一种重要载体之一，通过各种社交APP、各大新闻门户网站等多种方式流入互联网。这些文本信息在主题上多种多样、在规模上也表现出很大的差异，如何对这些文本信息迚行高效处理是一个具有重大研究的问题，也推动了自动文本分类技术的快速发展。

　　文本论文范例：立足文本品味“语言”

　　文本分类是自然语言处理(NaturalLanguageProcessing,NLP)中重要且经典的问题[1]。在传统的文本分类问题中，每个样本只有一个类别标签，幵且各个类别标签之间相互独立，分类粒度比较粗略，称为单标签文本分类。随着文本信息日益丰富，分类粒度细化程度越来越高，一个样本与多个类别的标签相关，同时类别标签之间存在一定的依赖关系，称为多标签文本分类[2]。比如一篇新闻可能被同时认为是与―体育‖和―教育‖相关的新闻。

　　多标签文本分类问题是多标签分类的重要分支之一，目前已经广泛应用于标签推荐[3]，信息检索[4]和情感分析[5]等领域。本文将多标签文本分类方法分为两大类：传统机器学习的方法和基于深度学习的方法。传统机器学习方法包括问题转换的方法和算法自适应的方法。基于深度学习的方法是利用各种神经网络模型来处理多标签文本分类问题，根据网络的结构将其分为基于卷积神经网络(ConvolutionalNeuralNetworks,CNN)结构、基于循环神经网络(RecurrentNeuralNetwork,RNN)结构和基于Transformer结构的多标签文本分类方法。同时，对该领域常用的数据集迚行了梳理总结，最后对未来的发展趋势迚行了分析与展望，可以为该领域研究提供一定的参考价值。

　　1多标签文本分类

　　1.1基本概念

　　多标签文本分类的主要仸务是：将一个待分类的文本通过特定的分类器对该文本给定多个标签。可以用特定的数学符号来表示该仸务，假定{(,)1}iiDxyim是训练集中的样本，利用设计的模型学习到一个映射fXY:，其中ixX是一个实例，iyY是实例ix所对应的类别标签。空间X中包含m个实例，标签空间Y中包含q个类别标签，通过数据集训练得到分类器模型。测试过程中，每一个实例通过分类器模型得到相对应的标签，标签是一个或者多个，获得标签的过程就叫做多标签文本分类。

　　1.2多标签文本分类流程

　　多标签文本分类的具体流程包括数据集获取、文本预处理、模型训练和预测结果。

　　(1)数据集第一步是找到需要的数据集。数据集一般分为训练集、测试集和验证集，文中第四部分列举了多标签文本分类领域常用的数据集。(2)文本预处理文本预处理是自然语言处理仸务的重要环节，通过将文本转换为结构化的数据形式，以便计算机处理。文本预处理一般有固定的流程，包括分词、词干提取、词性还原等。(3)文本表示文本的信息是非结构化的，计算机无法直接处理这种非结构化的信息，因此在完成了预处理之后的文本要迚行向量化表示：将输入的文本数据通过一定的方法转换为计算机能够识别的数字数据，良好的文本表示形式可以极大的提升算法效果。

　　文本向量化主要分为两类方法，第一类是离散表示，主要的方法有One-hot编码、词袋(BagofWords,BOW)模型等;第二类方法是分布式表示，主要的方法包括共现矩阵、Word2Vec[6]、Glove[7]等。Word2Vec和Glove是第一代预训练模型(Pre-trainedModels,PTM)，通常采用的是浅层模型来学习词嵌入;新一代PTM专注于学习上下文的词嵌入，如ELMo[8]、OpenAI、GPT[9]和BERT[10]，新一代PTM学习更合理的词表征，包括了上下文信息[11]。

　　(4)特征降维特征降维也称特征提取。通过文本向量化处理后得到的特征比较稀疏，维度较高。特征提取就是在保证文本语义表达完整的前提下，去除无用特征，保留有效特征，迚行特征降维。常用的特征选择方式有TF-IDF[12](termfrequency–inversedocumentfrequency)、卡方检验(chi-squaretest)、深度神经网络等。在预训练模型提出之后，大多数预训练模型采取Transformer结构作为特征提取模块。(5)分类器和输出类别将预处理之后的文本(训练集)送入特定的分类器(模型)中迚行训练，得到分类器模型。通过验证集和测试集迚行输出类别的预测，利用F1值等相关指标来评判模型的优劣。

　　2多标签文本分类方法

　　近年来，多标签文本分类得到了快速的发展，涌现出大量多标签文本分类方法，这些方法可以分为两大类：传统机器学习方法和基于深度学习方法。传统机器学习方法包括问题转换方法和算法自适应方法。基于深度学习方法是利用各种神经网络模型来处理多标签文本分类问题，根据模型结构，将其分为基于CNN结构、基于RNN结构和基于Transformer结构的多标签文本分类方法。

　　3数据集

　　多标签文本分类虽然已经取得了快速得发展，但是在这方面的公开数据集幵不是很多。收集了一些多在标签文本分类领域中常用的数据集，根据标签数量的多少可以将其分为小型数据集(标签数0-10,000)、中型数据集(标签数10,000-100,000)和大型数据集(标签数超过100,000)。幵且从标签数、文本的数量等迚行了统计。

　　4多标签文本分类性能评价

　　4.1评价指标

　　在多标签文本分类中，常用的评价指标通常包括Hammingloss、Micro-F1值。(1)HamminglossSchapireRE等人[54]在1999年就提出了Hammingloss，简单来说就是衡量被错分的标签的比例大小，正确的标签没有被预测正确以及错误标签被预测的标签占比，简单来说就是两个标签集合的差别占比，汉明损失的值越小，预测结果就越好。

　　5总结与展望

　　文本分类作为有效的信息检索和挖掘技术在关于文本管理方面发挥着重大的作用。虽然在单标签文本分类领域已经取得了不错的效果，但还是无法使模型像人一样从语义层面理解文本信息。多标签文本分类相较于单标签文本分类来说更加的复杂，还存在着很多的挑战，主要体现在以下几点：

　　(1)特定领域的数据集缺失问题。目前公开的多标签文本分类领域的数据集，大部分是针对新闻领域的，对于特定领域的数据集非常匮乏，比如医疗领域、金融领域和法律领域。因此，需要构建特定领域的多标签文本分类数据集。

　　(2)极端多标签文本分类问题。极端多标签文本分类(extrememulti-labeltextclassification,XMC)[48]目的是学习一个分类器，该分类器能够从大量标签中自动选择最相关的标签来对数据迚行归类[56]。极端多标签文本分类的难点在于标签集的数目非常多，包含数十万、甚至成百上千万的标签。目前多标签文本分类模型的内存占用、模型大小都随着标签空间的变大而线性变大，在面对极端多的标签时，无法成功部署甚至训练。因此，如何设计出一个高效的模型来解决极端多标签文本分类问题是未来亜待解决的一个难点。

　　(3)标签间的相关性研究问题。多标签文本分类标签之间是存在内在联系的，比如属于“人工智能”的文本往往跟“深度学习”是相关联的。传统的一些方法在处理多标签文本分类问题上，往往没有考虑标签之间的相关性，这也严重影响了模型的效率。后面虽然提出了一些方法来研究标签之间的相关性，比如Baker等人[57]提出了一种分层的多标签文本分类方法来得到标签间的共现关系，但只是考虑了标签之间浅层次的关系，忽略了标签之间深层次的关系。因此，如何高效捕捉标签间的关系也是多标签文本分类仸务未来的一大研究重点。

　　(4)数据集标签长尾问题。对于多标签文本分类领域存在的数据集，都是由文本集和标签集构成的，对于标签集来说就会有分布不均衡的问题存在，部分标签与很多文本样本相关联，而还有的一些标签就非常少，甚至说没有与文本样本相关联，可以理解为标签“长尾”的问题[58]。用不平衡的数据训练出来的模型会导致样本少的种类预测性能很差，甚至无法预测。因此，如何解决标签长尾问题也是多标签文本分类领域一个重要的研究问题。

　　参考文献：

　　[1]AliT,AsgharS.Multi-labelscientificdocumentclassifica-tion[J].JournalofInternetTechnology,2018,19(6):1707-1716.

　　[2]刘心惠.基于改迚seq2seq模型的多标签文本分类研究[D].大连海事大学,2020.LIUXH.Researchonmulti-labeltextclassificationbasedonimprovedseq2seqmodel[D].DalianMaritimeUniversity,2020.

　　[3]FürnkranzJ,HüllermeierE,MencíaEL,etal.Multilabelclassificationviacalibratedlabelranking[J].Machinelearning,2008,73(2):133-153.

　　[4]GopalS,YangY.Multilabelclassificationwithmeta-levelfeatures[C]//Proceedingsofthe33rdinternationalACMSIGIRconferenceonResearchanddevelopmentininfor-mationretrieval.2010:315-322.

　　作者：郝超，裘杭萍，孙毅，张超然

转载请注明来自发表学术论文网：http://www.fbxslw.com/wslw/26271.html

上一篇：偏异与回归：高校太极拳教学模式反思

下一篇：信息时代医院图书馆数字阅读环境建设研究

濠电姷鏁告慨鐑姐€傞鐐潟闁哄洢鍨圭壕濠氭煙鏉堝墽鐣辩痪鎹愵潐娣囧﹪濡堕崨顔兼闂佸搫顑勭欢姘跺箖瑜版帒鐐婄憸宥夊棘閳ь剛绱撻崒姘偓鐟扮暆閹间礁钃熼柨婵嗘啒閺冨牆鐒垫い鎺戝閸嬪鈹戦悩鍙夋悙缁炬儳娼￠弻锝夊棘閸喗鍊梺缁樻尰閻╊垶寮诲☉銏犖ㄩ柨婵嗘噹婵酣姊虹拠鑼畾闁哄懐濞€瀵鈽夐姀鐘愁棟闁荤姴娲﹁ぐ鍐╂叏鎼淬劍鈷戦悗鍦濞兼劙鏌涢妸銊︾【妞ゆ洏鍎靛畷鐔碱敃鐎ｎ剙鏋戞繛纰变邯楠炲秹顢欓悙顒佹珤闂傚倷娴囬褍顫濋敃鍌︾稏濠㈣泛鈯曢崫鍕ㄥ牚闁割偅绻勯悰銉╂⒑閸濆嫯鐧侀柛娑卞枟椤旀洘绻濆閿嬫緲閳ь剚鍔欏畷鎴﹀箻濞ｎ兛绨婚梺鐟板⒔閸嬨劑宕戦姀鈶╁亾鐟欏嫭绀堥柛妯犲洤鐓橀柟杈剧畱闁卞洦鎱ㄥ鍡楀幐濠㈣娲栭—鍐Χ閸℃ê钄奸梺鎼炲妽濡炰粙骞冮敓鐘冲亹缂備焦岣块崢闈涱渻閵堝棛澧俊顐ｎ殜瀹曨垶顢涘▎鎴炴闂傚倷娴囧畷鐢稿窗閹邦喖鍨濈€广儱鎷嬮悢鍡樹繆椤栨哎鍋ㄦ繛宸簻鎯熼梺瀹犳〃閼冲爼顢欓崶顒佸仭婵犲﹤瀚悡銉╂煟閿濆洤鍘撮柟顔哄灮閸犲﹥娼忛妸锔界彍婵犵數鍋犻幓顏嗙礊閳ь剚淇婂鐓庡閺佸牓鏌ㄩ悤鍌涘