This paper presents a framework in which hierarchical softmax is used to create a global hierarchical classifier. The approach is applicable for any classification task where there is a natural hierarchy among classes. We show empirical results on four text classification datasets. In all datasets the hierarchical softmax improved on the regular softmax used in a flat classifier in terms of macro-F1 and macro-recall. In three out of four datasets hierarchical softmax achieved a higher micro-accuracy and macro-precision.

翻译：本文提出了一种利用层次化Softmax构建全局层次化分类器的框架。该方法适用于任何类别间存在自然层次结构的分类任务。我们在四个文本分类数据集上展示了实验结果。在所有数据集中，与平面分类器中使用的常规Softmax相比，层次化Softmax在宏平均F1值和宏平均召回率上均有提升。在四个数据集中有三个数据集上，层次化Softmax取得了更高的微平均准确率和宏平均精确率。