清华大学学报(自然科学版)

作者：任俊飞, 朱桐, 陈文亮

单位：苏州大学 计算机科学与技术学院, 苏州 215006

关键词：多标签文本分类,不完全标注,自训练

基金：国家自然科学基金重点联合项目(61936010)

多标签文本分类(multi-label text classification, MLTC)旨在从预定义的候选标签中选择一个或多个文本相关的类别, 是自然语言处理(natural language processing, NLP)的一项基本任务。 前人工作大多基于规范且全面的标注数据集, 而这些规范数据集需要严格的质量控制, 一般很难获取。 在真实的标注过程中, 难免会缺失标注一些相关标签, 进而导致不完全标注问题。 该文提出了一种基于部分标注的自训练多标签文本分类(partial labeling self-training for multi-label text classification, PST)框架, 该框架利用教师模型自动地给大规模无标注数据分配标签, 同时给不完全标注数据补充缺失标签, 最后再利用这些数据反向更新教师模型。 在合成数据集和真实数据集上的实验表明, PST框架兼容现有的各类多标签文本分类模型, 并且可以缓解不完全标注数据对模型的影响。

来源：2024年第4期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2024年第4期