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。
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」。
記住這句就好
先切文字，再談語意。
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
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
這類方法一定要先分詞嗎？
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。
它和單純看詞頻有什麼不同？
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。
什麼時候最容易出錯？
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。