在近年来的研究中，极端多标签分类（XMC）技术取得了显著进展。XMC框架PECOS通过标签分区技术提升效率：先将标签分组聚类，训练匹配模型将输入分配到聚类，再由排序器从指定组中选择最匹配的标签。

今年神经信息处理系统大会（NeurIPS）展示的两项研究进一步拓展了标签分区框架：

1. 标签解耦技术
   提出允许同一标签属于多个聚类的创新方法（如"苹果"可同时属于电子产品与水果类别）。通过优化算法动态调整标签聚类分配，在保持效率的同时显著提升分类准确率。实验数据显示，该方法在21项指标中取得最优结果。

2. 多分辨率Transformer微调
   结合递归线性模型与Transformer架构的XR-Transformer，在Amazon-3M数据集上将训练时间从23天缩短至29小时，准确率反而提升。其核心创新在于：

   • 基于TF-IDF特征构建层级标签树
   • 逐层联合训练Transformer编码器与线性排序器
   • 通过特征拼接重构标签树
   • 在大规模数据集（>50万标签）上全面超越现有方法

技术实现细节：

• 采用监督学习构建层级树结构
• 限制每个标签的最大聚类分配数量（1-6个）
• 通过迭代优化确定最佳标签-聚类映射
• 结合Transformer嵌入与TF-IDF特征进行联合训练

实验验证：

• 在6个公开数据集（标签量4k-300万）进行测试
• 相比11种基线方法，在精确度@1/3/5指标上表现优异
• 尤其擅长超大规模标签场景（准确率提升显著）