·阅读摘要：
本文在《Improved Neural Network-based Multi-label Classification
with Better Initialization Leveraging Label Co-occurrence》文章的基础上，提出了对具有层级结构的多标签进行多分类。
[1] Initializing neural networks for hierarchical multi-label text classification
阅读前提
在阅读本篇论文之前，务必阅读《Improved Neural Network-based Multi-label Classification
with Better Initialization Leveraging Label Co-occurrence》，因为本篇论文是基础此篇论文的小小改进。
《Improved Neural Network-based Multi-label Classification with Better Initialization Leveraging Label Co-occurrence》的阅读笔记
论文核心内容
1、提出在《Improved Neural Network-based Multi-label Classification
with Better Initialization Leveraging Label Co-occurrence》的模型，在应用于标签共现少的数据集时不适用。反而对具有层级结构的标签的数据集应用的更好。
2、具有层级结构的标签：
论文提出的理论是：当一个文本显式地具有某个标签（例如图中的深色的结点）时，那么这个文本一定得隐式地具有该标签的父标签（即图中深色结点一系列的浅色父结点）。
“显式”表示在数据集中指定了这条文本的标签，“隐式”表示标签具有的父标签在数据集中这条文本上没有指定，但是标签有层级关系，它还是应当有的。
3、对非标签共现模式的神经元采用：权重随机初始化或者权重零值初始化。
4、后处理标签校正：
论文提出，A中标签分配是错误的，一个文本具有z标签后，理应具有它的父标签y、z，但是A中没有，所以要修正。
论文提出两种修正方法：传递修正(transitive correction)、撤回修正(retractive correction)。
如图B，使用传递修正(transitive correction)，把子类z的所有父级都设置为正标签，即x、y、z设为正标签。
如图C，使用撤回修正(retractive correction)，只把子类z的最终父级都设置为正标签，即x设为正标签。
