找出父级，然后标记子级：使用预训练语言模型的两阶段分类法完成方法
内容提要
本文介绍了层次扩展框架（HEF），旨在优化分类法的分层结构。HEF通过亲属关系检测和适合度评分提高了分类准确性，实验结果显示其在多个数据集上的准确性显著提升。此外，文中提到的其他分类法扩展方法如TaxoExpan和TaxoEnrich也展示了在不同领域的有效性和高效性。
延伸解读
HEF 如何利用层次结构提升分类准确性
HEF 通过亲属关系检测和树独特功能评估子树的连贯性，并引入适合度评分选择最优位置，从而优化分类法的分层结构。实验表明，在三个基准数据集上，HEF 在准确性和平均倒数排名上分别平均提高了 46.7% 和 32.3%，显著优于之前的最佳水平。
TaxoExpan 的自我监督与噪声鲁棒训练
TaxoExpan 是一种自我监督框架，它从现有分类法中自动生成 <查询概念，锚定概念> 对作为训练数据，并学习预测查询概念是否为锚定概念的直接下位词。其创新点包括增强位置的图神经网络和噪声鲁棒训练目标，使模型不受自我监督数据标注噪声的影响，实验证明其高效且有效。
TaxoEnrich 在分类完成任务中的优势
TaxoEnrich 框架有效利用现有分类体系中的语义特征和结构信息，提供更好的候选位置表示以提高分类完成性能。在四个来自不同领域的大型真实数据集上，TaxoEnrich 在所有评估指标上均实现了最佳性能，并很大程度上优于先前的最新方法。
Q&A
层次扩展框架（HEF）是如何提高分类准确性的？
HEF通过亲属关系检测和适合度评分来优化分类法的分层结构，从而提高分类准确性。
HEF在实验中表现如何？
HEF在三个基准数据集上的实验结果显示，准确性平均提高了46.7%，平均倒数排名提高了32.3%。
TaxoExpan框架的主要特点是什么？
TaxoExpan是一种自我监督框架，通过自动生成训练数据来学习预测查询概念是否为锚定概念的下位词，展现了高效性和有效性。
TaxoEnrich框架如何提升分类完成性能？
TaxoEnrich有效利用现有分类体系中的语义特征和结构信息，实验结果表明其在多个领域的分类完成性能优于先前方法。
HEF与其他分类法扩展方法相比有什么优势？
HEF通过优化层次结构和提高连贯性，显著提高了分类准确性，优于之前的最佳水平。
如何利用预训练语言模型进行分类树构建？
通过预测父子关系和协调这些预测结果，使用预训练语言模型构建分类树。
