在多标签分类中,将提取标签之间高层次的相互关系。有些战略依赖统计意义。然而，统计技术有以下缺陷:从培训数据获得的标签的组合模型不完整和吵闹(某些统计特征可能是培训组独有的);在全球范围内制作了标签可燃物的绘图。对于不常见的标签,这可能出现偏斜;统计标签协会可能导致长尾分配。即，一些类别非常常见，大多数类别的文件极少。
为了解决上述问题，本文建议建立新标签专业神经网络(LDGN)。该网络利用类别信息,从其文本中学习有标签的异质成分。这并不是世界上将发生的唯一事情,而首先是同样的事情。基于统计标签对称性和动态的重新设计。这些联合建模组件之间的整个自适应相互作用。除了业绩强劲之外,还有许多工作要做。它还改进了对尾标签的识别。

Model

如下图所示，这一概念主要由两个单元组成:(1) 具体劳动文件(2)具体标签文件讨论如何从每份文件所载标签信息中提取特定标签的语义组成部分,而语义互动学习神经网络则表明如何以统计标签的先验知识和随后地图动态重新设计的信息为指导。对这些语义组成部分之间的整个相互作用进行彻底调查。

Label-specific Document Representation

最初,LSTM用于将文字变成矢量。$h\in R^{|J|\ast D}$ ，其中$J$ 然后使用标签提示关注机制从标签特定文本表达式中学习。标签特性可以用随机初始化的矢量写入。$C\in R^{|C|\ast d^c}$因此,基于标签注意的标签特定语义成分如下:

$u^i\in R^D$表示标签$c^i$每张纸上你所保存的信息数量 。$u^i$构成的矩阵$U\in R^{|C|\ast D}$ 为随后的地图网络提供投入。

Dual Graph Neural Network

关于统计培训核心标签配对的可能性,可以建立初步矩阵。$A^s\in R^{|C|\ast |C|}$ 以及两个层次的GCN,以收集进一步的压缩特性$H^2\in R^{|C|\ast D^{\prime }}$ 其次,利用它们以更完整和自我适应的方式记录这些组成部分之间的相互作用。$H^2$动态地重建邻接图，易燃矩阵的缺点已经解决。然后利用动态重建地图上的背景数据标签特定组成部分之间的相互作用必须重新学习。我们有许多工作要做,以便以更加充分和自力的方式捕捉这些组成部分之间的相互作用。我们使用上述部件来证明H2正在动态地重建相邻地图。易燃矩阵的缺点已经解决。然后利用动态重建地图上的背景数据标签特定组成部分之间的相互作用必须重新学习。具体来说，重构矩阵是两个基于$H^2$变换的相似度：

$f$ 是Sigmoid,然后是两层的GCN$H^2$作为输入，最终得到$H^4$。之后，$H^2$与$H^4$标签概率分布应该崩溃和预测。$\hat{y}$ 。损失函数为：

Experiment

数据集：

Evaluation Metric：precision at top K (P@k) and Normalized Discounted Cumulated Gains at top K (nDCG@k)。
模型性能的主要比较技术是LSAN:


熔化实验与三种可能的替代品形成对比:
S:仅与带有统计标签的语义语义学互动;
D. D. 支持的只有语义语义与动态再工程的语义语义互动。
没有一个,根据无G。

tail标签评价，这篇文章是全球之声在线特稿的一部分。原文中提到的参考资料没有全部解释。这里我参考了另一篇 文献 。具体来说，PSP@k在计算方法中纳入了偏好分数。参考文献的话说 For label$l$ , its propensity$p^l$is related to number of its positive training instances$N^l$ ，具体来说：

因此,可以进入的标签数量越多,标签数量就越多。$P^{rank(l)}$对不起,我不知道。然后PSP@k计算如下:

这增加了尾标签的重量,而尾标签的重量较少,比较得出以下结果:

标签越多色, 得到的注意越多, 并描述不同的标签重量:

可视化地看到两个不同的相邻矩阵:

与静态的、基于统计的矢量相比,动态矩阵清楚地说明了cy-ce之间的相互关系。