《表2 标签决断技术的对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于配对排序损失的文本多标签学习算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在章节3.2中提到了其它两种标签决断方法，Top-k和全局阈值，在使用中，k值取1、3和5，阈值从0.05-0.95按照0.01为间隔，表2展示测试集上最优得分．值得注意的是，本文提出的得分模型其输出是映射到实数域上的，所以通过sigmoid将其约束到概率空间中．相对来说，宏观和微观指标衡量了模型的整体分类性能，对标签的误选较为敏感，Top-k和全局阈值是静态的刷选策略，而没有考虑到了样本特征本身所携带的信息，从而造成得分上的下滑．并且，在使用这些算法的时候往往会遇到超参的优化问题．表2中的结果说明在多标签领域，标签决断对最终预测结果的影响非常大．相比于全局阈值，阈值预测方法在分类指标上能提供2%的提升，排序指标上也是表现最优的．