What does this research mean for the field?

Integrating word embeddings with deep learning models in the proposed WDXMLC approach improves classification performance on sparse, high-dimensional datasets by 9% to 12% compared to traditional models. Novelty: ClaimNovelty.METHODOLOGICAL. Consensus alignment: ConsensusAlignment.NEUTRAL.

What question did this study set out to answer?

تسعى هذه الدراسة إلى تحسين أداء تصنيف العلامات المتعددة المتطرفة من خلال دمج تضمينات الكلمات مع نماذج التعلم العميق.

June 2, 2026Open Access

التغلب على ندرة البيانات في تصنيف العلامات المتعددة باستخدام نماذج قائمة على تضمين الكلمات

Key Points

تسعى هذه الدراسة إلى تحسين أداء تصنيف العلامات المتعددة المتطرفة من خلال دمج تضمينات الكلمات مع نماذج التعلم العميق.
تم تطوير نهج مصنف العلامات المتعددة المتطرف القائم على تضمين الكلمات (WDXMLC).
تم إجراء تجارب على مجموعات بيانات Eurlex-4 K وWiki10-31 K وAmazonCat-13 K لتقييم الأداء.
تم استخدام مقاييس precision@5 وnDCG@5 للتقييم.
حقق WDXMLC تحسينًا يتراوح بين 9% إلى 12% مقارنة بـ FastText وBOW-CNN وCNN-Kim على مجموعة بيانات AmazonCat-13 K.
أظهر التعامل الناجح مع ندرة البيانات والقدرة الفعالة على التقاط ترابط الميزات والعلامات.
تم التحقق من أهمية تضمينات الكلمات في تعزيز أداء XMLC.

Abstract

يولد الانتقال من العالم التناظري إلى العالم الرقمي حجمًا هائلًا من البيانات كل يوم. يقوم ملايين المستخدمين بتحميل وتنزيل والبحث عن البيانات على وسائل التواصل الاجتماعي وويكيبيديا ويوتيوب وأمازون، إلخ. من الضروري تحليل واسترجاع معلومات ذات مغزى من ملايين المستخدمين مع ملايين الفئات/العلامات. لذلك، فإن بناء مصنف متعدد العلامات يمكنه تصنيف حجم كبير من البيانات إلى الفئات/العلامات ذات الصلة هو مهمة صعبة. تعمل تطبيقات التوصية، والتصنيف، والتصنيف على نطاق واسع عادةً في فضاءات ميزات عالية الأبعاد مع ملايين العلامات. نظرًا للبعد العالي للبيانات، تعاني هذه التطبيقات من مشكلات قابلية توسيع البيانات، وترابط العلامات، وقيود الوقت الحاسوبي. فشلت الأساليب التقليدية في تصنيف العلامات المتعددة في التعامل مع البعد العالي لمساحة الإدخال في مثل هذه التطبيقات. تصنيف العلامات المتعددة المتطرف (XMLC) هو تكييف لتصنيف العلامات المتعددة لمساحة الإدخال عالية الأبعاد. تلعب تقنيات تضمين الكلمات دورًا حاسمًا في تحسين أداء XMLC من خلال التقاط العلاقات الدلالية بين الميزات والعلامات. تركز هذه البحث على دمج تضمينات الكلمات مع نماذج التعلم العميق لتحسين أداء التصنيف في فضاءات الإدخال عالية الأبعاد. النهج المقترح "مصنف العلامات المتعددة المتطرف القائم على تضمين الكلمات (WDXMLC)" يستفيد من تضمينات الكلمات للتعامل بشكل فعال مع ندرة البيانات والتقاط ترابط الميزات والعلامات في مشاكل XMLC. تم إجراء تجارب على مجموعات بيانات عالية الأبعاد Eurlex-4 K وWiki10-31 K وAmazonCat-13 K. توصلت هذه التجارب إلى أن النماذج القائمة على تضمين الكلمات تلعب دورًا مهمًا في تعزيز أداء مصنف العلامات المتعددة المتطرفة. يحقق نهج WDXMLC تحسينًا يتراوح بين 9% إلى 12% مقارنة بـ FastText وBOW-CNN وCNN-Kim لمجموعة بيانات AmazonCat-13 K النادرة باستخدام مقاييس precision@5 وnDCG@5.

اسأل الذكاء الاصطناعي

Bookmark

View Full Paper