多标签文本分类是自然语言处理领域的重要任务之一。现实世界,文本数据生产速度快、体量大,多标签文本分类的类标签数量逐渐以千、万为单位。具有千个以上类标签的多标签文本分类任务,被称为极限多标签文本分类（Extreme Multi-label Text Classification,XMTC）任务。XMTC任务的关键问题为长尾问题。标签知识作为任务中重要的外部知识,是缓解长尾问题的潜在要素。现有研究侧重利用标签簇结构知识,即通过头部标签和尾部标签在同一标签簇中的共现来平衡两者的预测表现,从而缓解长尾问题。但现有研究固化了标签簇的结构,对标签知识的利用与动态变化且丰富的真实语义场景具有不一致性,未能达到理想分类效果。结合现有研究在解决XMTC任务长尾问题上的不足以及标签知识的重要作用,本文对利用标签知识解决XMTC任务长尾问题进行探索。研究如下。1)针对现有研究利用标签簇结构知识缓解任务长尾问题的局限性的问题,提出基于标签知识的XMTC提升策略。策略为文本建模生成引导知识,通过引导知识优化文本特征表示、提升尾部标签预测效果,缓解长尾问题。实验结果证明,提升策略（引导知识策略）能够有效提升现有XMTC方法在尾部标签和整体标签上的预测效果。2)针对1)中引入引导知识策略的方法模型结构简单,网络表达、特征抽取能力不足的问题,提出基于引导知识策略的XMTC算法TReader XML。算法设计双流协作网络,将引导知识与文本特征嵌入映射至共享语义空间中进行特征交互,提升引导知识对文本的类别语义引导效果和标签预测表现。实验结果证明,TReader XML在对整体标签和尾部标签的预测中达到了领域优秀水平。3)针对目前学术界XMTC成果落地工业界过程中的成本、风险问题,基于1)和2)的研究成果,提出一套支持工业级应用的基于标签知识的XMTC算法框架LKRoad。框架定义和规范了任务数据标准,实现了适用于工业场景的XMTC数据分析、预处理、基于标签知识的分类算法、算法评估等工具。实验结果证明了框架设计的合理性,以及其对于学术方法工业落地的重要价值。