多标签文本分类是指一个文本实例可以同时关联一组标签集合而非单个标签。随着数据的爆炸性增长,基于深度学习的多标签文本分类已经成为该领域的一个研究热点。深度学习中的注意力机制广泛应用于多标签文本分类中,并为所有的标签学习出唯一的特征表示。由于不同的标签蕴含不同的语义信息,文本中的同一单词应当被不同标签赋予不同的关注度,然而传统的注意力机制未能考虑这一问题。随着标签数目的增加,利用标签关系可以有效缩小标签预测过程中输出空间的规模。因此,大部分方法致力于挖掘标签之间的潜在关系,例如标签对、标签子集以及标签链等。但是,这些关系仅仅反映了标签之间的局部信息,同时大部分标签结构都是随机生成的,使得分类性能不稳定。此外,多标签文本数据集经常出现长度过长、信息冗余以及语义复杂等问题。针对以上多标签文本分类存在的问题与挑战,本文的主要工作有:1.针对传统的注意力机制无法为每个标签学习出其最相关的文本表示的问题,本文提出了一种基于分离的注意力机制的方法。通过引入随机初始化的标签向量,为不同的标签设计独有的注意力模型,避免预测过程中标签之间的相互干扰。同时,本文利用基于多层扩张卷积与长短时记忆网络的混合门机制挖掘文本的深层语义信息。实验结果表明,基于分离的注意力机制的方法在标准数据集的多个指标上均超过了基准模型。2.针对大部分标签关系仅仅反映出标签的局部信息,同时标签结构随机生成的问题,本文提出了一种基于图卷积网络的方法。该方法通过利用基于标签共现矩阵的多层图卷积网络增强标签节点之间的交互性,同时利用预训练的词向量初始化标签向量,引入标签语义信息。实验结果表明,提出的模型在标准数据集的多个指标上均超过了基准模型。此外,实验还验证了图卷积的层数对模型性能的影响。3.针对多标签数据的文本过长、信息冗余以及语义复杂等问题,本文提出了一种基于文本关键词图的方法。该方法通过关键词抽取技术挖掘文本中的关键词并建立文本关键词图。同时,通过图卷积网络进一步加强关键词之间的语义关联,并基于分离的注意力机制进行最终的分类。实验结果表明,基于文本关键词图的方法在标准数据集的多个指标上均超过了基准模型。