Die mehrfach-label-Textklassifizierung (Multi-label Text Classification, MLTC) zielt darauf ab, die am besten geeigneten Labels für ein gegebenes Dokument zu bestimmen. In diesem Paper stellen wir ein Label-Specific Attention Network (LSAN) vor, das eine label-spezifische Dokumentrepräsentation lernt. LSAN nutzt semantische Informationen der Labels, um die semantischen Beziehungen zwischen Labels und Dokumenten zu erfassen und so eine label-spezifische Dokumentrepräsentation zu konstruieren. Gleichzeitig wird die Self-Attention-Mechanismus eingesetzt, um die label-spezifische Dokumentrepräsentation aus der Inhaltsinformation des Dokuments zu identifizieren. Um die beiden oben genannten Komponenten nahtlos zu integrieren, wird eine adaptive Fusionsstrategie vorgeschlagen, die effektiv eine umfassende, label-spezifische Dokumentrepräsentation erzeugt, um einen mehrfach-label-Textklassifikator aufzubauen. Umfangreiche experimentelle Ergebnisse zeigen, dass LSAN konsistent die derzeit besten Methoden auf vier unterschiedlichen Datensätzen übertrifft, insbesondere bei der Vorhersage von seltenen (low-frequency) Labels. Der Quellcode und die Hyperparameter-Einstellungen werden veröffentlicht, um die Forschung anderer Wissenschaftler zu unterstützen.