随着计算机科学技术的不断发展,新闻网站和即时通讯等在线数据快速增长,多样性数据不断产生。海量信息触手可及,如何设计有效的分类系统来自动处理这些内容成为了亟待解决的问题。在传统的分类方法中,待分类的样本只属于一个标签,即多分类学习。但是现实生活中很多对象是具有多个标签的,例如一篇学术论文很可能既属于“数据挖掘”,又属于“机器学习”。多标签文本分类技术在现实生活中被广泛应用,例如,主题识别、新闻分类、问答系统等,但也面临了诸多挑战。数据长尾分布导致的尾标签实例不足,无法准确分类的问题,一直是限制多标签分类系统性能的主要原因。尾标签的训练实例不足会导致尾标签语义获取困难,从而无法从文档中捕获到与尾标签相关的信息。其次,尾标签和头标签数据分布不均衡,训练实例差距较大,基于头标签能学习到准确的分类器,而尾标签却无法训练得到准确的分类器。此外尾标签训练实例不足会导致尾标签类内多样性不足,使得学习的子空间扭曲。因此本文针对长尾多标签文本数据场景下存在的尾标签判别信息难以提取、数据分布不均衡,尾标签样本数量不足等问题设计相关算法,主要贡献如下:1.标签引导的文本注意力建模方法:在长尾分布下的多标签文本分类中,从复杂的语义中为尾标签提取具有判别性的信息进行分类是具有挑战性的任务。本文提出了标签引导的文本注意力建模方法,通过标签语义探索标签相关性的同时,提取标签关注的特征信息,从而有效解决多标签分类问题。该网络依赖于文档的内容特征和对应的标签信息,通过使用标签语义注意力机制和自注意力机制获得文档中每个单词的权重,充分考虑每个单词对当前标签的重要性得分。得分与单词融合得到每个标签在当前文档下标签特定的文档表示和自注意力文档表示,最后设计自适应融合层对上述两种表示进行融合,获得最终标签特定的文档表示。在4个真实的多标签文本数据上对所提出的算法进行了全面的评估,实验结果证明了提出的方法要优于其他对比算法,并且有效地提升了尾标签的分类性能。2.标签感知的文本节点分类方法:对于半监督长尾分布下的多标签图节点分类问题,由于其标记训练实例有限,且类别的训练实例数量相差巨大,本文通过充分探索图的拓扑结构和标签的语义信息,设计了一种归纳式标签感知的文本节点分类算法,它通过数据的拓扑结构从邻居节点中聚合出关于每个类别的内容信息,帮助目标节点进行特征扩充,从而提升分类性能。所提出的算法在2个真实的半监督多标签图数据DBLP和Delve-M上进行了充分的实验,实验结果验证了标签语义引导策略的有效性。3.长尾多标签文本原型迁移学习方法:长尾分布的本质问题是头标签训练实例较多,而尾标签训练实例不足导致的。本节从数据不均衡的内部探索,解决尾标签和头标签训练实例不均衡带来的问题。具体来说,本文提出长尾多标签文本原型迁移学习方法,基于大量的训练实例学习头标签的分类器参数,同时让头标签模拟尾标签的情况,即few-shot下的情况,学习到头标签few-shot的类原型。设计迁移学习器能够有效的获得many-shot分类器参数和few-shot类原型之间的元知识。将头标签中捕获的元知识迁移到只有few-shot类原型的尾标签中,获得尾标签在many-shot上的分类器参数,从而提升尾标签的分类性能。使用3个长尾多标签文本数据对提出的算法进行实验验证,从不同角度展现了模型的有效性,尤其是在提升尾部标签的分类性能上。4.长尾多标签文本关系迁移学习方法:由于尾标签实例有限,类内多样性不足,无法学习到准确的子空间。本文将捕获头标签实例对之间的关系,用于尾标签的数据生成,从而增大尾标签的类内多样性。具体来说,本文提出了长尾多标签文本关系迁移学习方法。它有两个主要模块。第一个模块是相关性收集器,它基于头标签获得足够的实例对关系。第二个模块被称为尾标签实例生成器,它将相关性传输到尾标签,为其生成新实例。为了保证生成实例的质量,本文还设计了一致性约束和多样性约束,其中一致性包括生成一致性和方差一致性,生成一致性保证生成的实例和该类的类原型接近,避免生成噪音点,方差一致性则保证头标签和尾标签的分布一致。多样性是为了有效扩大尾标签的类内多样性,避免生成冗余的点。最后,在多个长尾多标签数据集上验证了实例关系迁移网络的有效性。