MAGNET : Classification de texte multi-étiquettes utilisant un réseau de neurones graphique à attention

Dans la classification de texte à plusieurs étiquettes (MLTC), un même échantillon peut appartenir à plusieurs classes simultanément. Il est observé que, dans la plupart des tâches de MLTC, des dépendances ou corrélations existent entre les étiquettes. Les méthodes existantes ont tendance à ignorer ces relations entre étiquettes. Dans cet article, un modèle basé sur un réseau de neurones à attention sur graphe (GAT) est proposé afin de capturer la structure de dépendance attentive entre les étiquettes. Le réseau d'attention sur graphe utilise une matrice de caractéristiques et une matrice de corrélation pour modéliser et explorer les dépendances cruciales entre les étiquettes, tout en générant des classificateurs adaptés à la tâche. Ces classificateurs sont ensuite appliqués aux vecteurs de caractéristiques de phrases extraits par un réseau de extraction de caractéristiques textuelles (BiLSTM), permettant ainsi une entraînement end-to-end. L'attention permet au système d'attribuer des poids différents aux nœuds voisins pour chaque étiquette, facilitant ainsi l'apprentissage implicite des dépendances entre étiquettes. Les résultats du modèle proposé sont validés sur cinq jeux de données réels de MLTC. Le modèle obtient des performances similaires ou supérieures à celles des modèles précédemment les plus avancés.