本文概述了大规模多标签分类的几种方法，包括1 VS. All classifier、Label Tree based、Embedding based和Deep Learning based。针对层级性标签，文章探讨了Local approaches（如LCN、LCPN、LCL）和Global approaches，强调了层次信息在模型构建中的作用，并引用了相关研究。此外，还提到了数据集的选择与应用。
Extreme Multi Label Classification
整合自知乎三篇文章：
大规模多标签分类，作者：Cppowboy
层级性多元标签文本分类，作者：烛之文
层次多标签意图分类综述，作者：斯多歌
方法综述
大规模多标签分类大致有以下几类解决办法：
- 1 VS. All classifier
把多标签分类看成多个二分类，为每一个label训练一个二分类模型，其缺点是，各个标签之间相互无关，当标签数量非常非常多的时候，难以训练与标签数量相同的模型。
- Label Tree based
其思想类似决策树，把所有的标签按树状结构组织起来，从上到下分类，每层只需要训练一个小的分类器，最终分类的叶子节点。这样的缺点是，从上到下的分类过程中，误差可能会累积，导致性能较差。这种方法经常会用到ensemble的模型。
- Embedding based
假设最后的特征维度是 h h h，类别标签数量是 C C C
最低0.47元/天 解锁文章
扫一扫
5532
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
