4. 多标签识别基础

在金融公告场景中，我们经常遇到一条公告同时涉及多个业务含义的情况。例如一份《关于回购股份并注销的公告》，既属于“股份回购”，又涉及“注册资本变更”，还可能触发“公司治理”标签。如果把它强行归入唯一类别，就会丢失关键信息。这正是多标签识别要解决的核心问题。

一、核心原理：多标签与多分类的本质区别

多分类（Multi-class Classification）假设样本属于且仅属于一个类别，类别之间互斥。例如把公告分为“定期报告、临时公告、中介报告”三类，一条公告只能落在一个类别中。多标签（Multi-label Classification）则允许一个样本同时拥有多个标签，标签之间可以共存、可以相关，也可以相互独立。

从数学形式看，多分类的输出是一个概率分布，所有类别概率之和为1；多标签的输出是每个标签独立的概率值，通常对每个标签做二分类判断。因此，多标签问题常被转化为“标签数量个二分类问题”，或使用多标签神经网络输出多个Sigmoid节点。

在金融公告中，多标签的典型来源包括：一份公告同时涉及“担保”和“关联交易”；一份年报同时包含“业绩预告”和“分红送转”；一份监管问询回复同时涉及“信息披露”和“合规风险”。这些标签并非互斥，而是从不同维度描述同一文本。

二、标签相关性：多标签问题的难点所在

多标签识别不是简单地把多个二分类器拼在一起。标签之间往往存在统计相关性和语义相关性，忽略它们会显著降低效果。

• 正相关：“股份回购”与“股价稳定”经常同时出现；“关联交易”与“关联方”高度共现。
• 负相关：“业绩预增”与“业绩预亏”通常不会同时出现；“终止重组”与“重组进展”在时间上互斥。
• 层级相关：“定期报告”是父标签，“年报”“半年报”“季报”是子标签，子标签命中时父标签通常也应命中。
• 条件相关：“控制权变更”出现时，“实际控制人变更”的概率会显著上升。

处理标签相关性的常见策略有三类：一是问题转换法，如分类器链（Classifier Chain），把前一个标签的预测结果作为后一个标签的特征；二是算法适应法，如多标签K近邻、多标签决策树；三是深度学习方法，通过共享底层表示并联合训练多个标签输出，让模型自动学习标签间依赖。

三、评价指标：不能只看准确率

多标签场景下，普通准确率（Accuracy）会严重失真。因为标签数量多、正例稀疏，模型全部预测为“无标签”也可能获得很高的准确率。因此必须使用专门的多标签指标。

四、典型应用与误区复盘

多标签识别在金融公告中的典型应用包括：公告主题多标签打标、风险事件多维度识别、监管问询要点抽取、研报事件驱动标签体系、舆情与合规联合监测。例如一条公告可以同时打上“并购重组”“停牌”“关联交易”“业绩承诺”四个标签，供下游检索、风控和投研使用。

常见误区主要有四个：

1. 把多标签当多分类做。用Softmax输出多分类，导致只能选一个标签，召回率大幅下降。
2. 忽略标签相关性。独立训练多个二分类器，没有利用“回购”与“股价稳定”的共现关系，效果受限。
3. 只看准确率。标签稀疏时准确率虚高，掩盖了模型对正例的漏判。
4. 阈值一刀切。所有标签都用0.5阈值，高频标签和低频标签的最优阈值往往不同，应基于验证集分别调优。

# 多标签输出层示例（PyTorch）
import torch.nn as nn

class MultiLabelClassifier(nn.Module):
    def __init__(self, input_dim, num_labels):
        super().__init__()
        self.fc = nn.Linear(input_dim, num_labels)

    def forward(self, x):
        logits = self.fc(x)
        return torch.sigmoid(logits)  # 每个标签独立概率

# 损失函数：BCEWithLogitsLoss
criterion = nn.BCEWithLogitsLoss()