ECLARE: Extreme Klassifikation mit Korrelationen zwischen Etikettgraphen

Die tiefen Extremklassifikation (XC) strebt danach, tiefe Architekturen zu trainieren, die einen Datensatz mit seiner relevantesten Teilmenge von Labels aus einem extrem großen Labelset versehen können. Der zentrale Nutzen der XC liegt in der Vorhersage von Labels, die während des Trainings selten gesehen werden. Solche seltene Labels sind entscheidend für personalisierte Empfehlungen, die den Benutzer überraschen und begeistern können. Allerdings bieten die große Anzahl an seltenen Labels und die geringe Menge an Trainingsdaten pro seltenem Label erhebliche statistische und rechnerische Herausforderungen. Die neuesten Methoden der tiefen XC versuchen dies durch die Einbeziehung textbasierter Beschreibungen der Labels zu beheben, adressieren das Problem jedoch nicht ausreichend. In dieser Arbeit wird ECLARE vorgestellt, eine skalierbare Deep-Learning-Architektur, die nicht nur Labeltexte, sondern auch Labelkorrelationen einbezieht, um genaue Echtzeitvorhersagen innerhalb weniger Millisekunden zu ermöglichen. Kernbeiträge von ECLARE umfassen eine sparsame Architektur sowie skalierbare Techniken zur Schulung tiefer Modelle zusammen mit Labelkorrelationsgraphen im Umfang von Millionen von Labels. Insbesondere bietet ECLARE Vorhersagen, die auf öffentlich verfügbaren Benchmark-Datensätzen sowie auf proprietären Datensätzen für eine Empfehlungsaufgabe verwandter Produkte aus dem Bing-Suchmotor 2 bis 14 % genauer sind. Der Quellcode für ECLARE ist unter https://github.com/Extreme-classification/ECLARE verfügbar.