自然语言处理（NLP）中多标签分类的方法

      文本分类一般可以分为二分类、多分类、多标签分类三种情况。

• 二分类是指将一组文本分成两个类(0或1),比较常见的应用如垃圾邮件分类、电商网站的用户评价数据的正负面分类等,
• 多分类是指将文本分成若干个类中的某一个类,比如说门户网站新闻可以归属到不同的栏目中(如政治、体育、社会、科技、金融等栏目)去。
• 多标签分类指的是可以将文本分成若干个类中的多个类,比如一篇文章里即描写政治又描写金融等内容，那么这篇文章可能会别贴上政治和金融两个标签【1】。

一、多标签分类与单标签分类的区别
      针对语料库中每一个实例都可以有多个标签（或者说多个类别），如一部电影，既可以是悬疑片也可以是犯罪片，标签之间是可以共存的。
      与 single-label classification的区别： 单标签分类是每个实例有且仅有一个标签。比如情感分析任务，针对一条微博分析其情感属性，其可能的类别要么是正性，负性或者中性，只能是三个类别中一种，也就是说一条微博只能分配一个标签，单标签分类问题中标签之间是互斥的。
二、以往解决方法
目前，多标签分类问题的算法分为两大类【2】：
（1）改造数据适应算法（问题转换）：这种方法的核心是“改造样本数据使其适应现有“的学习算法，也就是将多标记学习问题转换为现有的学习问题进行求解。
以改造数据为例的三种做法：
① 转化为二分类问题，用L个分类器，分别对应L个标签