顾天飞，彭敦陆

(上海理工大学 光电信息与计算机工程学院，上海200093)

1 引 言

文本分类是自然语言处理领域中的一项重要任务，是构建信息检索、对话机器人等复杂系统的基础.多分类假设类别之间是互斥的，即一篇文档有且只能归属于单个类别.而事实上，对象是多语义的，比如一篇新闻能同时标注上“体育”和“足球”标签.所以，多标签更适合用来对现实问题进行建模，并有其实际的应用背景和学术价值.

多标签学习存在多标签分类和标签排序两类任务[11]，前者将标签集划分为与样本相关和不相关两部分，后者则预测标签之间的前后关系.上述两项任务存在共通性，多标签分类和标签排序之间是可以相互转换的，文献引入校准标签对排序的标签进行划分[14]，而采用判别模型完成多标签分类时，样本对标签的后验概率天然具有可排序性[5].故而，学界和业界开始尝试将两项任务联合起来进行解决，并运用于不同的应用领域[6，9，16].大体上，这类方法基于以下思想，得分较高的标签更能体现样本的语义，模型应使正标签集排在负标签集之前，这样筛选出来的标签也更加精准[16]，从这一角度看，标签排序考虑到了标签的相对关系.

对于文本处理，过去的研究普遍采用文本特征手工提取的方式[19，20].得益于深度学习的发展，端到端的深度表征模型已成为当今的主流[1-5，7，8，15].与此同时，深度模型的性能受到标注数据缺失和语义提取不足的限制.为此……