文本分类一般可以分为二分类、多分类、多标签分类三种情况。
二分类是指将一组文本分成两个类(0或1),比较常见的应用如垃圾邮件分类、电商网站的用户评价数据的正负面分类等,
多分类是指将文本分成若干个类中的某一个类,比如说门户网站新闻可以归属到不同的栏目中(如政治、体育、社会、科技、金融等栏目)去。
多标签分类指的是可以将文本分成若干个类中的多个类,比如一篇文章里即描写政治又描写金融等内容，那么这篇文章可能会别贴上政治和金融两个标签【1】。
一、多标签分类与单标签分类的区别
针对语料库中每一个实例都可以有多个标签（或者说多个类别），如一部电影，既可以是悬疑片也可以是犯罪片，标签之间是可以共存的。
与 single-label classification的区别： 单标签分类是每个实例有且仅有一个标签。比如情感分析任务，针对一条微博分析其情感属性，其可能的类别要么是正性，负性或者中性，只能是三个类别中一种，也就是说一条微博只能分配一个标签，单标签分类问题中标签之间是互斥的。
二、以往解决方法
目前，多标签分类问题的算法分为两大类【2】：
（1）改造数据适应算法（问题转换）：这种方法的核心是“改造样本数据使其适应现有“的学习算法，也就是将多标记学习问题转换为现有的学习问题进行求解。
以改造数据为例的三种做法：
① 转化为二分类问题，用L个分类器，分别对应L个标签，进行训练。
多个独立的二分类问题，比如一共有m个labels， 针对每个label 进行0/1判断，如果是0，说明该label是instance的一个标签，否则不是
例子：一部电影
Y = {悬疑片，喜剧片，犯罪片，科幻片} ，其实就是训练4个二值分类器，缺点很明显，无法利用标签之间的关联性
② 标签排序+二分类利用“成对比较”（pairwise comparison），获得L(L-1)/2个分类器，然后利用投票，得到标签的排序。接着，利用二分类，补充标签排序的投票结果，提高准确性。
③ 随机k标签从L个标签随机取得k个标签，重复n次，获得n个分类器。这个过程有点类似随机森林。然后利用多类分类器（multi-class，与multi-label是有区别的），训练数据，最后通过投票，如果对于某一标签，其实际获得的投票数占到最大可能的投票数一半以上，那么就认为当前实例属于该标签。
2）改造算法适应数据：该类算法的核心是“改造现有的单标记学习算法使其适应多标记数据”。该类方法的基本思想是通过对传统的机器学习方法的改进，使其能够解决多标记问题。
总而言之，之前的多标签任务的做法都是用分类的方法解决此问题，本文创新性地用了生成的方法做此任务。
微信
支付宝
