多标签文本分类作为自然语言处理领域的一项基础任务,广泛应用于情感分析、问答系统和推荐系统等领域。本文主要研究基于深度学习的多标签文本分类,通过深入分析了多标签文本分类的难点并从当前的国内外研究现状中受到启发,提出了两种多标签文本分类模型:1.本文第一个模型提出一种融合标签注意力机制和自注意力机制的方法来获取文本特征表示,同时在模型预测层加入了关系网络来获得标签间的相关性。标签信息对文本分类起重要作用,模型如果能在提取特征阶段就知道当前分类的目标和信息,那么就能根据标签提供的信息从文本中挖掘出关于该标签的关键信息从而得到更准确的关于该标签的特征表示。同时本模型考虑分类时,有的标签只需挖掘出文本的局部特征就能进行划分归类,而有的标签则需要挖掘出文本的全局特征才能预测出来。因此,本文同时还使用了自注意力机制来提取文本特征。接着,本模型根据两种特征表示的特点,从中抽取出两种表示的重要信息得到最终的文本特征表示。最后,本模型在预测层中加入了关系网络,通过该网络模型能得到更准确的带有标签相关性的标签预测向量。实验结果表明相比于基准模型,该模型取得了更好的效果。2.本文第二个模型采用Seq2Seq的方式来做多标签文本分类。该模型由编码器和解码器两部分构成,编码器把文本词向量编码得到单词的隐向量,解码器则依次生成标签序列。预测标签时,本模型通过注意力机制聚焦文本不同部分,得到关于待预测标签的文本特征表示。考虑到全面理解文本特征对分类任务的重要性,本模型提出将注意力机制基础上得到的文本特征表示与预训练的文本向量进行融合以获得更全面准确的特征表示,将融合后的特征表示向量将用于解码器解码。同时,本模型使用了形变LSTM作为模型的解码器。为了获得标签间的相关性,模型解码阶段将根据之前预测得到的标签来预测当前的标签。当然这种做法可能会产生暴露偏差的问题,如果先前标签预测错误的话可能会降低后面标签预测的准确度,因此本模型采用了一种全局标签嵌入的方法来缓解这个问题。实验结果表明相比于基准模型,该模型取得了更好的效果。