2. 标签口径的常见类型：分类标签口径、回归标签口径、排序标签口径、多标签口径

在数据标注与AI训练中，标签口径决定了模型学习的目标形式。不同任务类型对应不同的标签结构，口径定义错误将直接导致模型无法收敛或业务效果偏离预期。本节系统梳理四种最常见的标签口径类型，帮助标注团队与算法工程师建立统一的口径认知框架。

2.1 四种标签口径的核心差异

下表从输出形式、典型任务、标注粒度和校准要点四个维度对比四种口径，便于快速建立全局认知：

2.2 分类标签口径

分类标签是最基础的口径类型，要求每个样本唯一归属于一个预定义类别。口径校准的核心在于类别边界的清晰度和互斥性。

• 二分类：正/负样本定义必须明确。例如“垃圾邮件”vs“非垃圾邮件”，需定义“疑似垃圾邮件”的归属规则。
• 多分类：类别之间必须互斥。例如“正面/负面/中性”情感分类，需明确“既正面又负面”的混合情感如何处理（通常归入“中性”或单独设类）。
• 长尾分类：对于样本量极少的类别，需定义“其他”类兜底，并明确“其他”类的纳入标准。

2.3 回归标签口径

回归标签输出连续数值，口径校准关注数值范围、分布形态和异常值处理。与分类标签不同，回归标签的“正确值”往往存在主观判断空间。

• 数值范围：明确最小值和最大值。例如“年龄”标注限定0-120岁，超出视为异常。
• 精度要求：保留几位小数？例如价格标注到分（两位小数）还是到元（整数）。
• 分布对齐：标注值与真实分布是否一致？例如房价标注中，若标注者倾向于取整，会导致模型低估精确价格。
• 异常值处理：定义哪些值属于“标注错误”而非“极端真实值”。

2.4 排序标签口径

排序标签不关注绝对数值，而是关注相对顺序。常见于搜索排序、推荐系统、相关性判断等任务。口径校准的核心是排序一致性和标注者偏差控制。

2.5 多标签口径

多标签口径允许一个样本同时拥有多个独立标签。与分类标签的“互斥”不同，多标签强调标签独立性。口径校准的核心在于标签集合的定义和阈值设定。

• 标签独立性：每个标签应独立判断。例如“红色”和“圆形”可以同时存在，互不影响。
• 标签数量控制：是否需要限制每个样本的最大标签数？例如一张图片最多标注5个物体类别。
• 阈值设定：对于概率型多标签模型，需定义“置信度达到多少才视为正标签”。
• 空标签处理：是否允许样本没有任何标签？若允许，需定义“空标签”的标注规则。

2.6 四种口径的选型决策流程

在实际项目中，选择哪种标签口径取决于业务目标和数据特性。以下决策流程可帮助团队快速确定口径类型：

1. 判断输出形式：业务需要离散类别还是连续数值？→ 离散走分类/多标签，连续走回归。
2. 判断互斥性：样本是否可以同时属于多个类别？→ 是则走多标签，否则走分类。
3. 判断顺序需求：业务关注绝对数值还是相对顺序？→ 相对顺序走排序标签。
4. 判断标签数量：每个样本的标签数量是否固定？→ 固定走分类，不固定走多标签。