一种基于正负标签学习和标签相关性的多标签文本分类方法

本发明涉及一种基于正负标签学习和标签相关性的多标签文本分类方法，属多标签分类领域。包括：构建具有双隐藏层前馈神经网络模型；初始化模型组件；读取训练集中的样本的特征和标签信息，生成特征矩阵与标签矩阵；随机初始化模型的权重矩阵及偏置参数；将特征矩阵输入模型的输入层，逐层计算神经元输出；采用复合误差函数计算出模型中各层之间权重矩阵及偏置参数的梯度，并利用Adam优化算法动态调整梯度，更新权重矩阵及偏置参数；当误差变化幅度低于阈值或达到预设迭代次数时终止训练；模型收敛后，对测试集进行预测，形成最终的多标签分类结果。本发明通过深度学习技术突破传统文本分类的局限性，实现对复杂文本数据的高精度、高效率分类。