Hierarchical text classification of large-scale topics
Notice bibliographique
Résumé
Topic modelling and classification of documents is a well studied problem in Natural Language understanding.Deep neural networks have displayed superior performance over the traditional supervised classifiers in text classification.They learn to extract useful features automatically when sufficient amount of data is presented.However, along with the growth in the number of documents comes the increase in the number of categories, which often results in poor performance of the multiclass classifiers.In this work, we use external knowledge of topic category taxonomy to aide the classification by introducing a deep hierarchical neural attention-based classifier.Our model performs better than or comparable to state-of-the-art hierarchical models with significantly fewer computational resources while maintaining high interpretability.iii Rsum La modlisation de sujet et la classification de documents est un problme bien tudi dans la comprhension du langage naturel.Les rseaux de neurones profonds affichent des performances suprieures celles des classificateurs superviss traditionnels dans la classification de textes.Ils apprennent extraire automatiquement des attributs utils lorsqu'une quantit suffisante de donnes est prsente.Cependant, avec la croissance du nombre de documents vient l'augmentation du nombre de catgories, ce qui entrane souvent une mauvaise performance des classificateurs nombreuses catgories.Dans ce travail, nous utilisons l'information donn par la taxonomie de catgorie de sujet pour aider la classification en introduisant un classificateur hirarchique bas sur l'apprentissage profond et les systmes d'attention.Notre modle est comparable et peut mieux performer que des modles hirarchiques de pointe tout en utilisant moins de ressources de calcul tout en conservant une haute interprtabilit.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».