摘要
在多标签文本分类（Multi-Label Text Classification, MLTC）任务中，一个样本可以同时属于多个类别。观察发现，大多数MLTC任务中，标签之间存在依赖关系或相关性，但现有方法往往忽视了标签间的这种关联。为此，本文提出一种基于图注意力网络（Graph Attention Network, GAT）的模型，以捕捉标签之间的注意力依赖结构。该模型利用特征矩阵和相关性矩阵，有效建模并探索标签间的关键依赖关系，并据此生成适用于分类任务的分类器。所生成的分类器作用于由文本特征提取网络（BiLSTM）提取的句子特征向量，从而实现端到端的训练。通过注意力机制，系统能够为每个标签的邻接节点分配不同的权重，从而隐式地学习标签之间的依赖关系。在五个真实世界MLTC数据集上的实验结果表明，所提出的模型在性能上达到或优于先前的最先进模型。