Deep metric learning for end-to-end document classification

doi:10.1016/j.neucom.2025.131241

Deep metric learning for end-to-end document classification

2025-08-08

0

OA

AI

Vincent Poulain d’Andecy

DOI：10.1016/j.neucom.2025.131241

原文链接

原文求助

摘要

En 中文

文档分类系统因需处理新文档格式或类别，并在分类日益增多的文档时保持低错误率而变得越来越复杂。此类系统需要具备重要特性，包括：(1) 消除歧义以提升精确度或降低错误率的能力；(2) 检测并拒绝属于新类别或新变体的文档的能力。先前研究通常聚焦于封闭数据集或仅关注新颖性检测问题，未评估在完成新颖性检测后拒绝歧义结果的能力。本文提出了一种端到端的文档分类算法，同时包含新颖性和歧义拒绝功能。该算法利用深度度量学习压缩知识空间，然后将最后一层隐藏层的特征作为输入，用于基于无监督KNN的方法进行新颖性和歧义拒绝。在私有及公开基准数据集上的广泛实验与分析证明了所提算法的有效性。该算法在处理新文档的同时，能通过有效拒绝歧义来增强已知类别的精确度、召回率以及端到端文档分类系统的覆盖率。

Keyword:

Document classification

Deep metric learning

Novelty detection

Ambiguity rejection

KNN

Deep metric learning for end-to-end document classification

摘要

期刊

机构

引用论文