一個文本（以下基本不區分“文本”和“文檔”兩個詞的含義）分類問題就是將一篇文檔歸入預先定義的幾個類別中的一個或幾個，而文本的自動分類則是使用計算機程序來實現這樣的分類。通俗點說，就好比你拿一篇文章，問計算機這文章要說的究竟是體育，經濟還是教育，計算機答不上就打它的屁屁（……）。
注意這個定義當中著重強調的兩個事實。
第一，用于分類所需要的類別體系是預先確定的。例如新浪新聞的分類體系，Yahoo!網頁導航的分類層次。這種分類層次一旦確定，在相當長的時間內都是不可變的，或者即使要變更，也要付出相當大的代價（基本不亞于推倒并重建一個分類系統）。
第二，一篇文檔并沒有嚴格規定只能被分配給一個類別。這與分類這個問題的主觀性有關，例如找10個人判斷一篇文章所陳述的主題究竟屬于金融，銀行還是財政政策領域，10個人可能會給出11個不同的答案（聰明的讀者，您應該能看出來并沒有11個答案，這只是一種修辭方法，笑），因此一篇文章很可能被分配到多個類別當中，只不過分給某些類別讓人信服，而有些讓人感覺模棱兩可罷了（說的專業點，置信度不一樣）。

八股是一種寫文章的格式，過去用于科舉，現在用于科研，總之，和科學有點關系的文章就得八股，鑒于我正鍛煉自己寫論文的能力，所以按照標準的格式，陳述了文本分類問題的定義之后，我要說說它的應用范圍。

現在一說到文本分類，大部分人想當然的將這個問題簡化為判斷一篇文章說的是什么，這只是文本分類的一小部分應用，我們可以稱之為“依據主題的分類”。實際上，文本分類還可以用于判斷文章的寫作風格，作者態度（積極？消極？），甚至判斷作者真偽（例如看看《紅樓夢》最后二十回到底是不是曹雪芹寫的）。總而言之，凡是與文本有關，與分類有關，不管從什么角度出發，依據的是何特征，都可以叫做文本分類。
當然，目前真正大量使用文本分類技術的，仍是依據文章主題的分類，而據此構建最多的系統，當屬搜索引擎。內里的原因當然不言自明，我只是想給大家提個醒，文本分類還不完全等同于網頁分類。網頁所包含的信息遠比含于其中的文字（文本）信息多得多，對一個網頁的分類，除了考慮文本內容的分類以外，鏈入鏈出的鏈接信息，頁面文件本身的元數據，甚至是包含此網頁的網站結構和主題，都能給分類提供莫大的幫助（比如新浪體育專欄里的網頁毫無疑問都是關于體育的），因此說文本分類實際上是網頁分類的一個子集也毫不為過。當然，純粹的文本分類系統與網頁分類也不是一點區別都沒有。文本分類有個重要前提：即只能根據文章的文字內容進行分類，而不應借助諸如文件的編碼格式，文章作者，發布日期等信息。而這些信息對網頁來說常常是可用的，有時起到的作用還很巨大！因此純粹的文本分類系統要想達到相當的分類效果，必須在本身的理論基礎和技術含量上下功夫。
除了搜索引擎，諸如數字圖書館，檔案管理等等要和海量文字信息打交道的系統，都用得上文本分類。另外，我的碩士論文也用得上（笑）。
下一章和大家侃侃與文本分類有關的具體方法概覽，有事您說話。