文本分类之多标签分类

多标签分类综述

意义

• 网络新闻往往含有丰富的语义，一篇文章既可以属于“经济”也可以属于“文化”。给网络新闻打多标签可以更好地反应文章的真实意义，方便日后的分类和使用。

难点

• 类标数量不确定，有些样本可能只有一个类标，有些样本的类标可能高达几十甚至上百个。 
• 类标之间相互依赖，例如包含蓝天类标的样本很大概率上包含白云，如何解决类标之间的依赖性问题也是一大难点。
• 多标签的训练集比较难以获取。

如下方法来解决这个问题：

1.在传统机器学习的模型中对每一类标签做二分类，可以使用SVM、DT、Naïve Bayes、DT、Xgboost等算法；在深度学习中，对每一类训练一个文本分类模型(如：textCNN、textRNN等)

以上这种方法不能解决标签之间有关联的问题

2.考虑多标签的相关性时候可以将上一个输出的标签当成是下一个标签分类器的输入。在传统机器学习模型中可以使用分类器链，在这种情况下，第一个分类器只在输入数据上进行训练，然后每个分类器都在输入空间和链上的所有之前的分类器上进行训练

就是说训练第二个标签的分类模型时候，使用第一个分类模型的结果加入到特征之中

3.重新定义类别,两个样本都有同样的标签例如（都是类别1和类别3）那么这两个样本就可以归为统一一个类别(一个新的类别)。

4.深度学习输出层对每一个标签的输出值使用sigmod函数进行2分类，然后就可以进行多分类学习。

开源fast-bert多标签文本分类算法

kaggle多标签分类比赛开源代码

多标签形象解释介绍

讲解第四种方法