ECLARE：基于标签图关联的极端分类

深度极限分类（Deep Extreme Classification, XC）旨在训练深度架构，以从极其庞大的标签集中为数据点标记出最相关的子集标签。XC的核心价值在于预测那些在训练过程中很少出现的标签。这些罕见标签对于提供个性化推荐至关重要，能够给用户带来惊喜和愉悦。然而，大量的罕见标签以及每个罕见标签对应的少量训练数据带来了显著的统计和计算挑战。现有的最先进的深度XC方法试图通过引入标签的文本描述来解决这一问题，但未能充分应对。本文介绍了一种可扩展的深度学习架构——ECLARE，该架构不仅整合了标签文本，还考虑了标签之间的相关性，从而能够在几毫秒内提供准确的实时预测。ECLARE的主要贡献包括一种节俭的架构设计和可扩展的技术手段，用于在数百万个标签规模下训练深度模型及标签相关图。具体而言，ECLARE在公开可用的基准数据集以及来自必应搜索引擎的相关产品推荐任务专有数据集上，其预测准确性比现有方法提高了2%到14%。ECLARE的代码已发布在 https://github.com/Extreme-classification/ECLARE。