基于语义-标签多粒度注意力的多标签分类方法及系统技术方案

本发明专利技术提供了一种基于语义

Multi label classification method and system based on semantic label multi granularity attention

【技术实现步骤摘要】
基于语义
‑
标签多粒度注意力的多标签分类方法及系统


[0001]本专利技术属于多标签分类领域，尤其涉及一种基于语义
‑
标签多粒度注意力的多标签分类方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]多标签分类(MLC)是为给定的输入样本分配一个或多个标签的任务。它在现实世界中具有广阔的应用场景，如文档注释、标签推荐、信息检索以及对话系统。由于标签之间通常具有复杂的依赖关系，这使得该任务在自然语言处理领域中极其富有挑战性。
[0004]早期的一些研究工作包括：Binary Relevance(BR)、Classifier Chains(CC)和Label Powerset(LP)等，都取得了不错的效果。随着基于人工神经网络的深度学习取得了巨大的进步，人们开始尝试利用经典的神经网络架构处理多标签分类问题。例如，Zhang等人利用全连接神经网络和成对的排序损失函数来处理多标签分类任务。Chen等人提出了将卷积神经网络(CNN)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于语义
‑
标签多粒度注意力的多标签分类方法，其特征在于，包括：语义
‑
标签多粒度注意力模型构建：将堆叠的扩张卷积编码模块与标签图注意力模块的输出共同连接多粒度注意力机制网络，多粒度注意力机制网络输出的加权后的标签作为全连接层的输入，全连接层得到的用于映射预测标签的输出值输入一个Sigmoid层，得到每个标签的预测概率；模型训练：采用多标签数据集对构建的语义
‑
标签多粒度注意力模型进行训练，调整参数直至语义
‑
标签多粒度注意力模型收敛，得到训练完成的语义
‑
标签多粒度注意力模型；多标签数据集分类：以待分类的多标签数据集作为输入，训练完成后的语义
‑
标签多粒度注意力模型输出分类结果。2.根据权利要求1所述的基于语义
‑
标签多粒度注意力的多标签分类方法，其特征在于，采用堆叠的扩张卷积编码模块提取标签样本中的多粒度语义特征表示。3.根据权利要求1所述的基于语义
‑
标签多粒度注意力的多标签分类方法，其特征在于，采用标签图注意力模块建立标签类别与标签样本之间的相关性。4.根据权利要求1所述的基于语义
‑
标签多粒度注意力的多标签分类方法，其特征在于，所述多粒度注意力机制网络采用多粒度的语义特征对标签类别进行加权。5.一种基于语义
‑
标签多粒度注意力的多标签分类系统，其特征在于，包括：语义
‑
标签多粒度注意力模型构建模块，其被配置为：将堆叠的扩张卷积编码模块与标签图注意力模块的输出共同连接多粒度注意力机制网络，多粒度注意力机制网络输出...

【专利技术属性】
技术研发人员：杨振宇，刘国敬，王钰，马凯洋，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：