文本分类是什么：给内容分配标签，先统一类别含义
解释单标签、多标签与分类分数，说明参考样本、未知类别和阈值怎样影响邮件或工单分类验收。
先理解这个概念
文本分类是根据文字内容将输入分配到预定类别的任务，例如区分咨询与故障工单。类别可以互斥，也可以允许一条内容属于多个标签，必须事先说明。模型返回标签不等于事实已经核对，分数也不自动是可信概率。应定义类别边界和无法判断情况，再用独立样本检查误报与漏分，而不是只看标签是否非空。
类别定义决定正确答案的范围
Hugging Face 提供文本分类任务说明，Google 分类课程则区分不同指标与阈值影响。标签如果重叠却要求唯一结果，会使人工参考也不一致；“投诉”和“情绪负面”也不是同一含义。建立系统前应明确每个类别代表的行为或事实，决定资料不足时返回未知还是人工处理。短句可能依赖上下文，不能只因模型给出自信分数就跳过原文核对。输出结构只能保证可读取类别，不能证明分类标准本身合理。
固定参考检查改写与边界输入
例如整理公开工单样本，先由人工统一类别，再保留未参与提示设计的部分验收。加入同义改写和同时提到多个问题的输入，检查是否按预定多标签规则处理。分别记录误分类和无法判断，不能强行把所有内容放进最接近类别。本文没有训练分类器或运行模型，例子只定义检查。评测时应查看逐类结果，类别不平衡可能让总准确率看起来很高，却漏掉需要优先处理的重要类型。
标签变化和分数解释需要维护
新增类别后，旧样本和下游分支都要复查，保存标签版本避免历史记录含义改变。调整阈值时同时看精确率与召回率，不能只提高某个分数而忽略业务后果。成本包括标注和人工改类，自动输出快不代表整体更省事。若类别长期含糊，应先修规则而不是不断换模型。最终报告说明样本语言、允许标签及未覆盖场景，分类结果服务于实际任务，不能把它扩写为对作者意图或真实身份的确定判断。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。