多标签文本分类是自然语言处理领域的一项重要任务,它旨在将一段文本内容分给一个或者多个类别。这一任务的难点主要在于标签的数量庞大,并且标签呈现出不均衡的长尾分布,即大量尾标签的出现次数远远少于小部分的头标签。尽管相较于传统的方法,基于神经网络的方法能够提取到更丰富的文本特征,并提升分类的性能。但是这些方法通常假定标签之间相互独立,不能充分利用标签中包含的信息,例如标签之间的相关性。然而标签之间通常具有层级关系,并且文本中也包含内在的层级结构,如句法树。因此如何在多标签分类中充分地学习到文本层级和标签层级之间的映射关系极具挑战。考虑到双曲流形的树相似性与具有复杂层级结构的多标签文本数据相匹配,双曲流形表征对文本和标签层级结构有更好的归纳偏置。为了利用双曲流形的表征能力进行多标签文本分类,本文提出在同一个双曲空间中学习文本和标签的双曲流形表征的方法,具体从以下两部分展开:（1）基于双曲空间的庞加莱球模型,本文首先提出了庞加莱探针,用于验证双曲流形表征的学习方法能够从文本中捕获到更丰富的层级特征。本文分别在句法树和情感分析两项探针任务上研究了预训练语言模型的语境化词向量,并且用可视化的方法直观地展示了通过庞加莱探针得到的文本的双曲流形表征。在这两项探针任务中,庞加莱探针都能比欧氏探针更加精确地还原出文本中的层级结构。（2）为了联合文本与标签的信息,本文提出了用于多标签文本分类的双曲交互模型（Hyper IM）。通过学习文本和标签的双曲流形表征,双曲交互模型可以更好地利用其中保留的层级信息。双曲交互模型通过文本和标签的双曲流形表征之间的细粒度交互,得到标签适应的文本表示,并预测文本所对应的标签。此外,本文还提出了用于提升模型延展性的部分交互机制。在三个多标签文本分类基准数据集上的大量实验表明,双曲交互模型可以充分地捕获文本和标签之间的结构关系,并相较当前最先进的方法进一步提升多标签文本分类的性能。