基于标签交互Seq2Seq模型的多标签文本分类方法

王嫄; 胡鹏; 鄢艳玲; 王佳帅; 赵婷婷; 杨巨成

doi:10.13873/J.1000-9787(2024)08-0155-05

Chinese

您当前的位置：

首页 >

文章列表页 >

基于标签交互Seq2Seq模型的多标签文本分类方法

计算与测试 | 更新时间：2025-09-11

- 基于标签交互Seq2Seq模型的多标签文本分类方法
- 暂无标题
- 传感器与微系统 2024年第8期页码：155-159
- 作者机构：
  
  1. 天津科技大学人工智能学院
  2. 普迈康(天津)精准医疗科技有限公司
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目(61702367,61976156);天津市企业科技特派员项目(20YDTPJC00560);天津市自然科学基金资助项目(19JCYBJC15300)
- DOI：10.13873/J.1000-9787(2024)08-0155-05
  中图分类号： TP391.1
- 纸质出版：2024
- 稿件说明：
移动端阅览
王嫄, 胡鹏, 鄢艳玲, 等. 基于标签交互Seq2Seq模型的多标签文本分类方法[J]. 传感器与微系统, 2024,(8):155-159.
王嫄, 胡鹏, 鄢艳玲, 等. 基于标签交互Seq2Seq模型的多标签文本分类方法[J]. 传感器与微系统, 2024,(8):155-159. DOI： 10.13873/J.1000-9787(2024)08-0155-05.

DOI：

摘要

多标签文本分类任务可被建模为文本序列到标签序列的映射任务。然而，现有的序列到序列(Seq2Seq)模型仅从嘈杂文本中提取粗粒度的文本级表示，忽略了标签与单词之间细粒度的交互线索，导致类别理解偏差。对此，提出基于编码器—解码器结构的标签语义交互Seq2Seq模型。在文本语义提取阶段，使用门控机制融合粗粒度的文本级表示和细粒度的交互线索，最终得到类别理解纠正的文本表示。在2个标准数据集上，与LEAM

LSAN

SGM等6个算法进行对比实验，结果表明，本文模型在2个主要评价指标上均得到显著提升。

Abstract

关键词

Keywords

references

孙刘成,黄润才.融合LSTM和注意力机制的新闻文本分类模型[J].传感器与微系统,2022(09).

王嫄,周宇博,徐涛,史艳翠.融合文本内容和标签引导文本编码的分类方法[J].华中科技大学学报(自然科学版),2021(08).

Xiao Yaoqiang,Li Yi,Yuan Jin,Guo Songrui,Xiao Yi,Li Zhiyong.History-based attention in Seq2Seq model for multi-label text classification[J].Knowledge-Based Systems,2021.

Naiyin Liu,Qianlong Wang,Jiangtao Ren.Label-Embedding Bi-directional Attentive Model for Multi-label Text Classification[J].Neural Processing Letters,2021.

浏览量

251

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据