我应该使用哪种深度学习模型来对具有多标签的多类问题进行分类

Question

我想开发一个深度学习模型来对一些 cmets 和评论进行分类。下面是数据结构的一点说明：

每条评论可能与一个或多个类别相关，例如关于手机电池、手机操作系统或其他类别的 cmets（类型分析）。

每条评论（例如关于手机电池及其操作系统的评论）可能是正面的、负面的或中性的，只是其中之一（情绪分析）。

现在的问题是，我是否应该开发多个模型（每个类一个模型），该模型具有 3 个情感输出，如下所示：

DATA ==> TYPE DETECTION MODEL ==> output_1 (type of review)

DATA ==> SENTIMENT DETECTION MODEL ==> output_2 (sentiment of review)

REAL OUTPUT ==> output_1 + output_2

或者我应该开发一个类，通过所有可能性（所有类型 * 所有情绪）对数据进行分类，如下所示：

DATA ==> DETECT TYPE AND SENTIMENT MODEL ==> REAL OUTPUT

哪种方法更好，或者如果有另一种我不知道的方法，如果您告诉我，我将不胜感激。

Answer 1

我会使用情绪分析模型和每个主题的二元分类模型。

我不会将主题分类与情绪分析结合起来。这是两个独立的任务，每个任务都有自己的模型。

至于主题分类本身，我倾向于每类单独的模型，原因有两个：

首先，通过这种方式，我们可以获得每个班级的全部激活值。例如，如果文本与 A 类和 B 类都非常匹配，我们可以期望两个相应的模型来表明这一点，而如果我们使用单个模型，则很可能这些类中只有一个会脱颖而出。

其次，使用单独的分类器构建的模型更具可扩展性。添加另一个主题相当于在该主题上训练一个新的分类器。如果我们使用一个大分类器，添加一个主题需要重新训练所有主题的模型。