·阅读摘要：
  为了建立标签的语义信息和文档的内容信息之间的联系并加以利用，文章提出了一种基于标签语义注意力的多标签文本分类(LAbel Semantic Attention Multi-label Classification,简称 LASA)方法。
·参考文献：
  [1] 基于标签语义注意力的多标签文本分类

参考论文信息

  论文名称：《基于标签语义注意力的多标签文本分类》

  发布期刊：《软件学报》

  期刊信息：CSCD

  论文《融合注意力与CorNet的多标签文本分类》与此篇论文是同一个思路，值得参考。

模型结构

  模型结构如下：

【注】：本篇论文的网络结构很简洁，论文写的也很干净利落。

1. 单词隐表示学习

  这部分比较简单，对文本序列使用Bi-LSTM模型，最终得到正向与反向的文档表示向量$\overrightarrow{H}$与$\overleftarrow{H}$。

2. 标签隐表示学习

  这部分的工作是把标签转化为向量表示。文中使用的方法是，把标签中的每个词的向量表示相加取得平均。第i个标签的向量表示如下：

$$c_i=\frac{1}{p}\sum _{j=1}^p{w}_j$$

【例如】：某个标签为“love story”，那么这个标签的$p=2$，$w_1$为"love"，$w_2$为"story"。然后把$w_1$、$w_2$送到Bi-LSTM模型里面得到向量，最后取平均值。

  上述公式称之为：词向量平均函数。

3. 单词重要性学习

  本模块的目的是，计算每个标签对某条文本中的每个词的“重要性”，即权重。

  由于在“单词隐表示学习”中得到了正向与反向的文档表示向量$\overrightarrow{H}$与$\overleftarrow{H}$。此处单词重要性权重也会有正向与反向的权重$\overrightarrow{A}$与$\overleftarrow{A}$。其中：$\overrightarrow{A}=C\overrightarrow{H}$，$\overleftarrow{A}=C\overleftarrow{H}$。

  得到所有标签针对当前文档中每个单词的匹配得分, 从匹配得分中可以获得文档中每个标签更关注的部分,从而更好地学习文档表示。

4. 文档表示学习

  每个标签关注文档中的内容是不同的,所以本文提出为每个标签学习不同的文档表示,文档的表示是由每个单词的权重和单词的表示结合得到的,将上一层得到的单词和标签之间的匹配得分乘以每个单词的隐表示,得到每个标签对应的文档表示。

5. 标签预测

  使用全连接层进行分类。