本研究提出了AttentionXML模型，利用多标签注意机制和概率标签树，解决极端多标签文本分类问题，表现优于传统方法。此外，HAXMLNet、LAHA和CascadeXML等新模型在处理大规模标签集和少样本分类任务中也取得了显著进展。

本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Label-Wise Attention Networks。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。同时，引入了图形感知注释接近度度量，提出了利用标签层次结构改进少量和零-shot学习的新模型。

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。