文本分类是什么？让机器自动给文字贴标签

文本分类（Text Classification）是根据内容自动把文本归入预先定义类别的任务。判断一封邮件是不是垃圾邮件、一条评论是好评还是差评、一篇新闻属于体育还是财经、一张客服工单该派给哪个部门，都是文本分类。它是自然语言处理里最基础、应用最广的任务之一。

几种常见形式

二分类：只有两个类别，比如正常或违规。多分类：从多个类别里选一个，比如新闻频道。多标签分类：一段文本可以同时属于多个类别，比如一篇文章既是“科技”又是“教育”。情感分析、意图识别、主题分类、垃圾信息过滤，本质上都是文本分类的变体。

技术演进

早期方法依赖人工设计的特征，比如词袋模型、TF-IDF，再配上朴素贝叶斯、支持向量机等分类算法。这些方法简单快速，但难以理解语义，比如“不是不好”这类双重否定就容易判错。

2014 年，Yoon Kim 提出用卷积神经网络（CNN）在预训练词向量上做句子分类，一个结构简单、几乎不用调参的模型，就在多个基准上取得了很好的效果，在 7 个任务中的 4 个上超过了当时的最好成绩，这让深度学习在文本分类上迅速普及。之后 BERT 等预训练语言模型又带来一次飞跃：在大规模语料上预训练，再用少量标注数据微调，准确率大幅提高。

到了大模型时代，很多分类任务可以直接用提示词完成，不需要训练，适合类别经常变化、标注数据少的场景。但在数据量大、类别固定的生产环境里，一个微调好的小模型往往更快、更便宜、结果也更稳定。

实践中的要点

类别定义要清晰、互不重叠，否则人都分不清，模型更学不会。注意类别不平衡，比如违规内容可能只占百分之一，模型全判“正常”也有 99% 准确率，所以要看精确率、召回率和 F1，而不只是准确率。