用于意图识别的自适应多标签信息学习模型

摘要

为解决多标签文本分类在捕获标签关系时忽视标签共现特性的问题，提出基于统计特征的自适应多标签信息学习方法(adaptive label feature learning, ALFL),用于检测内容营销文章。构建主题先验自适应标记狄利克雷主题模型(labeled latent dirichlet allocation with adaptive topic priors, LDATP),根据每个文本的标签集合情况，与标签集合对应的全部营销主题约束模型生成主题词概率分布；构建标签信息整合网络(label information integration network, LIIN),利用主题词概率分布和标签的图结构学习标签相关信息，获得标签嵌入表示；进行文本和标签空间之间的信息交互，捕获语义特征以识别营销文章。试验结果表明，基于统计特征的ALFL方法以召回率为80.92%、准确率为88.14%,优于其他基线模型，具有更高的预测准确性。

关键词

多标签文本分类 / 标签共现 / 主题模型 / 图结构 / 标签嵌入