·阅读摘要：

 本文主要提出标签与文本注意力+文本注意力、CorNet增强标签预测概率两个创新点，提升了实验精度。

·参考文献：

 [1] 融合注意力与CorNet的多标签文本分类

参考论文信息

  论文名称：《融合注意力与CorNet的多标签文本分类》

  发布期刊：《西北大学学报(自然科学版)》

  期刊信息：CSCD扩展

[0] 摘要

  目前文本分类存在问题：只关注文本本身的信息，忽略了标签的信息。

  为了解决这个问题：论文提出使用图注意力网络GAT来编码标签信息，然后使用 “文本－标签”注意力机制来强化标签与文本的语义联系，最后把它与文本的注意力向量融合，得到最终编入了标签信息的文本向量。

  论文最后使用CorNet模型增强标签预测概率。

[1] 相关工作

  论文介绍多标签文本分类算法的历史：机器学习算法和深度学习算法。

  机器学习算法有BR、CC、ML-DT、SVM、KNN等老算法；

  深度学习算法有CNN系列、RNN系列模型，比如CNN、LSTM、LSTM_Attention、Seq2Seq、SGM、CNN-RNN等。

【注一】：这里已经被各个论文介绍烂了，老生常谈。

  最后，还介绍了LSAN、GCN等会用到标签信息的模型。

【注二】：2022年的论文，竟然不介绍预训练语言模型，比如ELMo、BERT、XLNet这些。

[2] 模型

  模型图如下：

  该模型主要分为6个部分：

  1、嵌入层+LSTM层

  2、多标签注意力层

  3、图注意力网络  4、“文本 －标签”注意力机制

  5、自适应融合机制

  6、CorNet模块

  1、嵌入层+LSTM层

  论文使用的是Glove预训练词向量作为embedding层，然后输入到Bi-LSTM层得到文本表示。

【注三】：使用embedding+Bi-LSTM是比较早的深度学习方法，现在更多的是用预训练语言模型来微调。

  2、多标签注意力层

  论文原文写的是：多标签文本可以由多个标签标记，每个标签对应的最相关文本是不同的。通过多标签注意力机制计算每个标签对应的文本向量hi的线性组合，可以有效地表示文本的重要程度。

  论文给的小标题“多标签注意力层”比较让人困惑，似乎这里用了标签的信息？看原文的意思是用了，但是看他贴的公式并没有用，而且我也想象不到怎么使用标签信息。

【注四】：这里我去论文贴出来的参考论文《A structured self-attentive sentenceembedding》看了一下，人家写的是文本数据自注意，如下图：

  3、图注意力网络

  图注意力网络GAT是比较火的一种图神经网络，不再介绍。

  它的输入是标签嵌入，输出是经过注意力机制后的标签向量。

【注五】：GAT原文 《GRAPH ATTENTION NETWORKS》值得一看

  4、“文本 －标签”注意力机制

  强化标签之间的语义联系，将标签语义信息与文本上下文语义信息进行交互，获得基于标签语义的文本特征表示。

  论文的做法是，把 嵌入层+LSTM层 的输出与 图注意力网络 的输出相乘。

  5、自适应融合机制

  自适应融合机制是把 多标签注意力层 的输出与 **“文本 －标签”注意力机制 ** 的输出加权相乘，得到最终的文本表示。

  6、CorNet模块

  CorNet模块能够学习标签相关性，使用相关性知识增强原始标签预测，并输出增强的标签预测。

【注六】：CorNet模型原文：《Correlation Networks for Extreme Multi-label Text Classification》