返回
Best-Fit Document: Enhancing Compositional Generalization in Multi-label Text Classification
DOI:10.1007/978-981-95-3349-7_25.png)
摘要
En 中文
多标签文本分类(MLTC)提出了一个复杂挑战,要求分类器为每个文档分配多个标签,导致大规模语料库中出现多样的标签组合。尽管传统MLTC任务取得了显著进展,但现有研究常忽视组合泛化(CG)挑战对模型性能的影响。当前模型难以泛化到新颖且复杂的标签组合,这些组合通常由基础标签构成。本研究通过提出一种简单且可扩展的数据分组方法,即最佳匹配文档(BFD),该方法基于文档长度优化大规模训练数据,以增强分类器对新颖标签组合的建模能力。在四个具有专业数据划分的数据集上对BFD进行了全面评估。实验结果表明,该方法显著提升了分类模型在评估基准上的CG能力。
Keyword:
Multi-label Text Classification
Compositional Generalization
期刊
N

