多标签分类旨在为每个未知实例预测多个标签,是机器学习中被广泛研究的一类重要课题。多标签分类在真实世界中有许多典型的应用,包括推荐系统、文本分类,音乐/图像分类等。人们从研究单标签分类到探索标签之间相关性的多标签分类,尽管已经提出许多有效的算法,但多标签分类研究依旧存在以下关键难点:如何有效的探索标签之间复杂的相关性;如何处理呈指数级标签输出空间。这些难点都使得多标签分类研究具有挑战性。本文就围绕对呈爆炸级的多标签输出空间在要求保留更完整的特征信息情况下如何有效地降维、以及如何更有效地探索多标签之间的相关性这两个方面出发,提出新的基于伪标签注意力集成的多标签分类模型。引用编码-解码机制,将原始标签空间编码到低维的伪标签表示空间,其中,伪标签表示空间是学习到的真实标签的公共隐语义,并通过学习伪标签表示矩阵与真实标签之间的潜在相关性,再从伪标签矩阵中解码出预测的完整标签空间;除此之外,受到集成学习的启发,在特征编码中,以多层感知机加注意力网络作为学习器,结合多个学习器,将特征映射到低维的伪标签表示空间,其次,为了确保多个学习器的多样性和互补性,引入两种可选择的多样性正则项,生成两种模型。并在多个基准数据集上做大量实验对比,都证实了论文提出的多标签分类算法更高效更具有鲁棒性。本文提出的模型的主要贡献:1.为了更好的处理指数级的多标签输出空间,降低计算成本和内存需求,利用编码-解码机制,以更“软”的方式提出伪标签表示矩阵来降低标签空间,并捕获标签之间的潜在相关性。2.为了更高效的探索多标签之间的依赖关系,集成多个注意力网络进行特征嵌入,使得可以充分利用来自多个不同视角的特征信息。此外,引入指数和hinge多样性正则项来确保多个学习器的多样性和互补性。