基于混合注意力Seq2seq模型的选项多标签分类

来源：计算机工程与应用杂志2023年第4期北京时间：

作者：陈千, 韩林, 王素格, 郭鑫

单位：1.山西大学 计算机与信息技术学院，太原 030006；2.山西大学 计算智能与中文信息处理教育部重点实验室，太原 030006

摘要：选项多标签分类是高考文学类阅读理解选择题解答任务中的重要一环，对不同标签类型的选项调用不同的答题引擎，可以有效提高选择题答题准确率。由于选项类型复杂多样，一个选项可能有多个类别特征，将其看作多标签分类任务。传统多标签分类算法仅考虑到文本与标签间相关性，忽略了标签间相关性，且选项内部存在着强语义关联性，对最终的标签预测产生较大影响。为了充分利用选项内相关性，提出一种基于混合注意力的Seq2seq模型，同时考虑选项标签间相关性和选项内相关性。采用Bi-LSTM获得选项到标签的相互信息，利用多头自注意力获得选项内关联语义。为获取标签间语义相关性，使用标签嵌入方式进行隐式融合。在高考文学类阅读理解选择题数据集上的实验结果表明，对多种相关性建模能有效提升选项多标签分类精度。

关键词：阅读理解,多标签文本分类,自注意力,选项相关性