.png){kind=icon}
返回
Hierarchical contrastive learning for multi-label text classification
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-97597-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多标签文本分类在文本分类领域内构成了显著挑战，这主要归因于标签的层次化特性，其中标签被组织为树状结构以捕捉父子及兄弟关系。这种层次结构反映了标签间的语义依赖关系，高层标签代表更广泛的类别，而低层标签则捕捉更具体的区分。传统方法往往难以深入理解和利用这一层次结构，忽略了区分不同标签的细微语义差异与相关性。为解决此不足，我们提出了一种新颖方法——用于多标签文本分类的层次对比学习（HCL-MTC）。该方法通过构建图表示来明确建模标签间的层次依赖，利用标签关系中嵌入的对比知识。具体而言，我们将多标签文本分类重新表述为多任务学习问题，并通过精心设计的采样过程引入层次对比损失。这一独特的损失函数使模型能够有效捕捉标签间的相关性与区分性，进而增强模型学习标签层次复杂性的能力。在RCV1-v2和WoS等常用数据集上的实验结果证明，所提出的HCL-MTC模型相比基线方法实现了显著的性能提升。
Keyword:
Contrastive learning
Hierarchical structure
Multi-task
Multi-label text classification
期刊
IF:
3.9
论文数:
28.2W
被引数:
83.5W
机构
暂无机构信息
引用论文
A Comparative Study of Deep Neural Network Models on Multi-Label Text Classification in Finance金融领域多标签文本分类中深度神经网络模型的比较研究
PREAI
分享收藏Recursive regularization for large-scale classification with hierarchical and graphical dependencies.png)
Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏分享收藏
查看更多内容