कॉन्ट्रास्टिव लर्निंग-एन्हांस्ड निकटतम पड़ोसी तंत्र मल्टी-लेबल पाठ वर्गीकरण के लिए

मल्टी-लेबल पाठ वर्गीकरण (MLTC) प्राकृतिक भाषा संसाधन में एक मौलिक और चुनौतीपूर्ण कार्य है। पूर्व के अध्ययन मुख्य रूप से पाठ प्रतिनिधित्व सीखने और लेबल सहसंबंध मॉडलिंग पर ध्यान केंद्रित करते हैं। हालांकि, वे विशिष्ट पाठ के लेबलों की भविष्यवाणी करते समय मौजूदा समान उदाहरणों से समृद्ध ज्ञान की अनदेखी करते हैं। इस चूक को ध्यान में रखते हुए, हम एक k निकटतम पड़ोसी (kNN) तंत्र का प्रस्ताव करते हैं जो कई पड़ोसी उदाहरणों को पुनः प्राप्त करता है और उनके लेबल के साथ मॉडल आउटपुट को इंटरपोलेट करता है। इसके अलावा, हम एक मल्टी-लेबल कॉन्ट्रास्टिव लर्निंग उद्देश्य तैयार करते हैं जो मॉडल को kNN वर्गीकरण प्रक्रिया के प्रति जागरूक बनाता है और इन्फरेंस के दौरान पुनः प्राप्त पड़ोसियों की गुणवत्ता में सुधार करता है। व्यापक प्रयोग दिखाते हैं कि हमारी विधि कई MLTC मॉडलों में लगातार और महत्वपूर्ण प्रदर्शन सुधार ला सकती है, जिसमें अत्याधुनिक पूर्व-प्रशिक्षित और गैर-पूर्व-प्रशिक्षित दोनों शामिल हैं।