融合GAT与头尾标签的多标签文本分类模型

来源：计算机工程与应用杂志2024年第15期北京时间：

作者：杨春霞, 黄昱锟, 闫晗, 吴亚雷

单位：1.南京信息工程大学 自动化学院，南京 210044；2.江苏省大数据分析技术重点实验室，南京 210044；3.江苏省大气环境与装备技术协同创新中心，南京 210044

摘要：现有基于神经网络的多标签文本分类主要存在两方面的不足，一是现有的数据中标签-文本频率存在长尾分布，二是很少从图结构中获取全局标签之间的关联性，针对以上问题，提出了一种融合GAT与头尾标签分类器的多标签文本分类模型（GATTN），该模型利用带有注意力机制的Bi-LSTM得到文本的特征向量表示；同时把不同标签之间的关联性转换为包含了全局信息的边加权图，利用多层的图注意力网络来学习头标签之间的关联性。然后将其与文本上下文语义信息进行点积交互，得到具有文本语义和头标签信息的特征表示提高模型的泛化能力。在AAPD、RCV1-V2和EUR-Lex三个公开英文数据集上的实验结果证明，该模型针对数据长尾分布的多标签文本分类效果优于其他基线模型。

关键词：多标签文本分类,图注意力网络,头尾标签,多样本学习