Efficient Strategies for Hierarchical Text Classification:External Knowledge and Auxiliary Tasks

原文链接：https://aclanthology.org/2020.acl-main.205.pdf

概述

        在层次文本分类（ Hierarchical Text Classification HTC）中，大多数研究都关注于提出新颖的模型结构，但我们偏向于找到一种高效的方法去增强baseline。首先将层次文本分类任务视为seq2seq问题，然后对它进行一个辅助性地自顶向下的分类任务，即从外部字典中找到所有层次类别中的文本定义，并将其映射到词向量空间作。将类别定义的embedding作为额外输入来对下一层进行预测，并使用一个修改后的束搜索。我们提出的这个方法，比以前那些方法表现更好，同时参数量更少。

介绍

        比起普通的文本分类，层次文本分类由于要考虑不同层之间的节点关系，所以会更难一些。但无论是普通的文本分类还是层次文本分类，解决它们的大多数模型都有大量的参数并且需要额外的训练时间。在普通文本分类中，有一些研究不再对模型结构进行修改，而是使用一些额外的方法来提升模型效果。但层次文本分类中，还没有这方向的研究，最近提出的模型计算量依旧很大。作者就提出思考：怎样在低成本的计算代价下来进行改进？

本文的主要贡献：

1）提出了一个对于HTC的稳健模型，参数少并且训练时间短，遵守seq2seq的学习范式。

2）辅助任务的应用增强了模型在自下而上的预测任务中能力。

3）探讨了利用关于外部信息来对类的进行文本定义。

方法

seq2seq方法