本研究提出了一种新方法RR2QC，旨在提高在线教育中多标签问题分类的准确性。该方法通过利用标签语义和元标签细化，显著增强了对长尾标签的理解和预测能力，从而改善个性化学习和资源推荐效果。

本文研究了长尾标签分布下的标签噪声问题，提出了一种新方法和框架，通过软伪标签和半监督学习提高泛化性能，尤其在长尾分类任务中表现优异。同时探讨了数据不平衡对模型学习的影响，并提出了有效的去噪和增强策略，验证了方法的有效性。

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。