这次的文章是根据牛津大学的公开课深度学习NLP中关于文本分类的课堂笔记（其实就是一些截图了，因为后来发现这个课程比较基础）。
原视频看这里：https://www.bilibili.com/video/av9817911/?p=7
首先，文本分类都有什么类型呢？
二值分类；
单标签分类；
多标签分类；
聚类（无标签）
那么分类都有哪些方法呢？各有什么优缺点？
这个比较简单，直接截图吧。
我们常用的便是基于statistical的文本分类方法。可以把这个问题表示为P(c|d), d 代表文本的表征，c代表文本的类别。
现在我们就可以把文本分类拆分成两个步骤：
表征文本；
求出文本属于类别c的概率
那表示文本的方法有哪些呢？
求概率的模型又有哪些呢？
下面列举几个常见的模型以及其优缺点：
朴素贝叶斯：
逻辑回归：
CNN:
