本文介绍了一种名为知识增强文档标签注意网络（KeNet）的新方法，旨在提升多标签文本分类的性能。该方法通过结合文档、知识和标签表示，在多个数据集上超越了现有技术。此外，研究还探讨了多任务学习、标签相关性反馈机制和图注意力网络等技术，以增强标签学习和分类效果。

本文综述多标签文本分类研究进展，涵盖图注意力网络、多任务学习、预训练模型、ML-Net、标签树层次分类、LAHA、检索增强、头到尾网络、元数据对比学习及DKEC等方法，旨在提升标签相关性建模及少样本与长尾标签分类性能。

该研究评估了多种大规模多标签文本分类方法，发现基于概率标签树的层次分类方法优于基于标签注意力网络的方法。同时，结合Transformer的方法在两个数据集上表现出色，并提出了一种新的最先进的方法，将BERT与LWANs相结合。此外，还提出了一种新模型，利用标签层次结构来改进少量和零-shot学习，并引入了图形感知注释接近度度量。

该研究提出了一个新的数据集EURLEX，用于大规模多标签文本分类。该数据集包含57k个法律文档，注释有4.3k个EUROVOC标签。实验表明，具有标签注意力的BIGRU模型优于其他模型，领域特定的WORD2VEC和上下文敏感的ELMO嵌入进一步提高了性能。研究人员发现，只考虑文档中的特定区域就足够了，并使用fine-tune BERT在所有情况下获得了最佳结果。