完整定義
文本分類是自然語言處理(NLP)領域的一項核心任務,其目標是根據文本內容將其自動歸類到預先定義好的類別或標籤中。此過程涉及分析文本的語義、語法和上下文,以確定最適合的類別。文本分類在許多實際應用中都扮演著重要角色,例如垃圾郵件檢測、情感分析、新聞分類和主題標籤等。
白話說明
你有沒有想過,文字送進模型前,為什麼總要先切一刀、再整理一下?
你可以把它想成把文字整理成模型看得懂的單位。
文本分類 的重點是 文本分類是自然語言處理中的一項任務,旨在將文本自動分配到預定義的類別中。它應用廣泛,例如垃圾郵件檢測、情感分析等。
它重要,是因為後面的分類、摘要、搜尋或生成,幾乎都靠這一步打底。
記住這句
先切文字,再談語意。
比喻:文本分類就像圖書館員為新書貼標籤 -- 一本新書來了,圖書館員會判斷它是「歷史類」、「科幻類」還是「食譜」,然後把它放到對應的書架上,讓讀者更容易找到。
容易混淆
文本分類 vs 自然語言處理
文本分類:偏向 把文字整理成模型可用的單位
自然語言處理:偏向 更大的 NLP 領域
最關鍵的區別:文本分類看的是「把文字整理成模型可用的單位」,自然語言處理看的是「更大的 NLP 領域」。
文本分類 vs 情感分析
文本分類:偏向 把文字整理成模型可用的單位
情感分析:偏向 情感分析任務
最關鍵的區別:文本分類看的是「把文字整理成模型可用的單位」,情感分析看的是「情感分析任務」。
實際案例
案例:客服信件先做詞幹或子詞切分
再送進分類模型,比直接硬吃原文更穩
案例:長篇會議紀錄先做摘要
管理者不用看完整文章,也能抓到重點
演算法與應用
先把詞、子詞或詞幹整理好,模型才有穩定輸入
文字表示方法不同,後面的分類和搜尋效果會差很多
常見任務是分類、摘要、翻譯和關鍵詞萃取
情境判斷
Q1(直覺題): 你要把一堆客服留言分成抱怨、詢問和稱讚,應該先做什麼?
先把文字切成模型能處理的單位,再做分類。
Q2(判斷題): 遇到超長中文句子和很多新詞時,還能沿用同一種切法嗎?
看情況,切分方式要跟語言和任務一起調,不然效果可能會掉。
常見問題
不一定,但大多數流程都需要某種切分或標記,否則模型很難穩定處理文字。
它不只看出現次數,也會看字詞組合、子詞或上下文,能更接近語意。
遇到新詞、長詞、專有名詞或多語混雜文本時,切分和表示方式最容易影響結果。
出現在這些考古題
官方公告試題的逐題解析裡,這 2 題把文本分類列為延伸術語。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本