随着互联网的蓬勃发展,网络信息已涉及许多领域,从人类发展历程可知,信息的主要载体是文本,因此解决多标签文本分类问题具有重要意义。近年来,深度学习技术在自然语言处理领域取得了革命性的进步,特别是在多标签文本分类中,基于深度学习的方法逐渐成为研究热点。目前,基于深度学习的多标签文本分类,普遍采用序列到序列的编码解码网络结构,其中解码部分常使用序列生成方式预测标签序列。然而,使用序列生成方式容易产生错误积累问题,即之前的预测错误被传送到后续的预测过程中。面对错误积累问题,虽然研究者提出了依赖标签频率的标签预测方法和采用非序列方式预测标签,但依赖标签频率的方法无法适用于标签频率经常发生变化的情况;而当前采用非序列方式预测标签的神经网络,没有引入标签信息或标签间相关性,导致与标签方面有关的大量特征被丢失。本文针对上述问题,提出了一种结合双向LSTM网络和标签注意力模块(bidirectional long short-term memory-label attention module,BLSTM-LAM)的网络模型,主要进行的研究工作如下:首先,本文提出的BLSTM-LAM网络模型采用序列到非序列的编码解码网络结构,其中编码部分为双向LSTM网络,解码部分为多个标签注意力模块。每个标签注意力模块之间是互不相关且独立计算的,所以采用多个标签注意力模块的非序列方式分别对标签进行预测,能阻断错误预测对后续过程的影响,有效解决了错误积累问题。其次,在BLSTM-LAM网络模型中由于每个标签注意力模块之间是相互独立的,所以当标签频率经常发生改变时,标签注意力模块之间互不影响,从而不需要依赖标签频率来提升模型性能,同时提高了网络模型的鲁棒性,有效解决了标签频率依赖问题。再次,目前解码部分常使用序列生成方式是为了引入标签信息或标签间相关性,捕捉有关标签方面的特征,从而提高多标签文本分类的精度。针对当前非序列方式的神经网络未能捕捉有关标签方面特征的问题,本文提出的BLSTM-LAM网络模型在每个标签注意力模块中,引入了不同的标签信息和标签间相关性,同时结合了注意力机制进行计算,有效解决了标签信息与标签间相关性引入问题。最后,通过实验数据集对BLSTM-LAM网络模型进行实验分析,结果表明,本文提出的网络模型在汉明损失、F1分数、子集准确率等指标上比其他经典多标签文本分类模型表现出了更优的性能水平,证明了本文提出模型的有效性。综上所述,本文针对目前神经网络在多标签文本分类领域中的不足之处,提出了BLSTM-LAM网络模型,该网络模型能充分提取文本和标签的有效信息,进一步提升多标签文本分类的精度。