适用场景

简介

文本分类是经典的NLP问题之一，简单来说，它是一种将文本对象（文档或句子）分类到一个固定类别的技术。它的输入是一段文本，输出是这段文本所属的类别，通过对所属类别的数量来划分，常见的分类任务可以被分为常单分类、多分类、层次化分类。

• 单标签分类：一段文本属于一堆类别中某一个特定的类别，这些类别之间是互斥的。最常见的例子就是判断一段文本的情感倾向，例如：“acer的品质、服务都很不错，而且本品很超值。样子也算漂亮，基本性能只要不玩大游戏全能应付“ ，这段文本就属于积极倾向的类别，它只能是积极、消极、中立这几个类别中的一个。

• 多标签分类：一段文本可以同时属于多个类别，这些类别之间相互独立但不互斥。例如常见的新闻标题分类，”中美元首就经济问题通电话“，这段新闻标题可以同时属于时政、财经、名人等多个类别。

• 层次化分类：和多分类类似，一段文本可以同时属于多个类别，不同之处在于这多个类别之间是有层级关系的。例如”本台记者前方发回报道：专家预测未来一年，6家公司拟现金分红比例超50% “，这段新闻内容，按频道类别（如财经、体育、科研、时政）、主题（如财经下可分为A股、港股、美股、基金等）、标签类别（如基金下的博时基金、基金分红等）进行判断，它是属于财经-基金-基金分红这几个类别，而这三个类别是有层级关系的。

适用场景

常见场景有垃圾邮件识别，文本审核、新闻主题分类，情感分析，以及搜索引擎的页面组织。当应用场景中的数据量非常大时，文本分类对数据的组织、信息过滤，以及数据存储等方面都能起到非常大的作用。

案例

常见场景有垃圾邮件识别，文本审核、新闻主题分类，情感分析，以及搜索引擎的页面组织。当应用场景中的数据量非常大时，文本分类对数据的组织、信息过滤，以及数据存储等方面都能起到非常大的作用。