论文地址:https://aclanthology.org/2022.acl-short.75.pdf
多标签文本分类(MLTC)是自然语言处理中的一项基本且具有挑战性的任务。以往的研究主要集中在学习文本表示和建模标签相关性上。然而,在预测特定文本的标签时,通常忽略了现有的类似实例中的丰富知识。为了解决这一问题,作者提出了一个k最近邻(kNN)机制,该机制检索几个相邻实例并用它们的标签值作为模型的输出。此外,作者设计了一个多标签对比学习目标,使模型学习到kNN的分类过程,并提高了在推理过程中检索到的相邻实例的质量。实验表明,该方法可以为多个MLTC模型带来一致的和可观的性能改进,包括SOTA的预训练和非预训练模型。
如上图所示,作者为MLTC设计了一个k个最近邻机制(步骤2,3),并通过使用多标签对比学习目标训练模型(步骤1)对其进行增强。
设
是由N个实例组成的MLTC训练集。每个
都是一个文本,
为对应的 multi-hot 标签向量,其中L为标签总数。MLTC的目标是学习从输入文本到相关标签的映射。
为了在推理过程中从现有实例中获取知识,作者提出了一个MLTC的k个最近邻机制,包括两个步骤:
的一个实例,其文本表示向量
由一个MLTC模型生成。那么,训练实例的数据存储
可以通过通过每个训练实例离线构造:
。
。模型还输出文本表示
,用来查询数据存储D‘,根据欧氏距离获得k最近邻
。然后可以进行kNN预测:
式中,
为欧氏距离,τ为kNN温度,
为第i个相邻实例的权重。直观地说,一个相邻实例越接近测试实例,它的权重就越大。最终的预测是基础模型输出和kNN预测的组合:
,其中λ为比例参数。 笔者理解,在标签时常变更(下线、新增)的业务场景下,可以将λ设置为1.0,用单纯的kNN检索的方案。该方案好处在于,算对于标签的变更不能及时训练模型,也能支持在新标签体系下的预测。
在MLTC中,模型通常是通过二元交叉熵(BCE)损失的监督学习训练,而不知道kNN检索过程。因此,检索到的相邻实例可能没有与测试实例相似的标签,并且对预测几乎没有什么帮助。为了填补这一空白,作者提出用多标签对比学习目标来训练模型。
现有的监督对比学习方法试图缩小来自同一类的实例之间的距离,并将来自不同类的实例推开。然而,在MLTC中,有两个实例可能共享一些共同的标签,但也可能有一些对每个实例都是唯一的标签。如何处理这些案例是在MLTC中利用对比性学习的关键。因此,为了建模多标签实例之间的复杂相关性,作者设计了一个基于标签相似度的动态系数。
考虑一个大小为b的minibatch,作者定义一个函数来输出特定实例的所有其他实例:
。每个实例对
的对比损失可以计算为:
其中,
为欧氏距离,τ‘为对比学习温度,
表示文本表示。
表示i,j之间的标签相似度,由它们的标签向量的点积计算出来。动态系数
是
的归一化处理。
对于一对实例
,标签相似度越大,
的系数
就越大,从而增加其损失项
的值。因此,它们的距离
将被优化为更接近。同时,如果它们没有共享的标签
,那么
的值也为零,它们的距离
将只出现在其他项的分母中。因此,它们的距离将有负的梯度,并被优化到更远。
将BCE损失表示为
,作者的方法的总体训练损失为:
。参数γ控制了损失之间的权衡。
如上图所示,看到在不同的模型基础上该方案都有所提升。但如果是只做了对比学习,可能效果反而会下降。