文本类别的识别,广泛的应用于各个领域,常见的有应用于电商平台的商品自动识别、新闻资讯平台的新闻类别自动识别等。优秀的文本类别识别算法不仅可以节省大量的人力,还可以避免人工识别的主观性。文本类别的识别主要是包括单标签的识别和多标签的识别。相对于单标签的识别,多标签的文本类别的识别,应用更加广泛,但也更加具有挑战性。本文主要是讨论了多标签类别识别的研究意义以及发展现状。多标签文本类别识别目前主流的方法主要有两种,一种是使用分类模型对多标签类别进行分类,另一种是使用序列到序列(简称seq2seq)的生成模型来进行文本类别生成。文本多标签类别生成模型相对于分类模型能够更好的把握标签之间的联系。本文主要是针对现有的seq2seq的算法的缺点进行改进,提高模型的准确率。具体主要是针对以下几个缺点进行了改进:针对seq2seq模型中容易出现生成低频词作为生成标签的情况,在数据预处理阶段,使用命名实体识别的方法进行数据预处理,将识别之后的结果和原来的词向量或者字向量一起作为编码器的输入部分,增加网络的先验知识,防止解码器输出低频词。针对seq2seq模型容易出现序列重复生成的问题,对解码的结果使用判别器进行判断是否重复生成,使其可以对注意力机制进行限制。使模型在编码和解码的时候,避免重复关注同样的词,进而避免重复标签的生成。针对模型在测试阶段容易出现曝光偏差的问题,本文采取自强化学习的训练方式进行训练模型。模型在训练的时候,以最小化生成序列和标签之间的hanming-loss为目标,使模型生成的标签尽量的拟合到标准的标签上,生成更准确的标签序列。本文使用公开数据集,通过实验对比了常用的文本多标签分类模型以及seq2seq模型,证明本文改进的模型在多个评价指标上超过现有的模型。