Sebastian Raschka 在其个人杂志（magazine.sebastianraschka.com）发布了题为《Language models for text classification: From bag-of-words to Jev…》的文章，围绕"语言模型用于文本分类"这一主题，梳理从词袋模型一路走来的方法演进。文章链接：https://magazine.sebastianraschka.com/p/classifier-history-and-jev
文本分类是 NLP 中落地最广的任务形态之一，情感分析、主题标注、意图识别、内容审核等场景都依赖它。文章标题所指向的起点——词袋模型（bag-of-words）——代表了最经典的做法：把文本转成词频或词权重向量，再交给逻辑回归、朴素贝叶斯或支持向量机等分类器。这类方案训练快、可解释性强、推理开销低，至今仍是许多生产系统的基线。
此后的演进大致沿着"表示学习"展开：词向量、循环网络与卷积网络用稠密、上下文相关的表示替代稀疏的词袋向量，降低了对人工特征工程的依赖，但对标注数据和训练算力提出了更高要求。再往后是以 Transformer 为骨干的预训练语言模型阶段：通过"预训练+微调"，较小的标注集也能取得理想效果；而随着大模型能力增强，提示词分类、少样本与零样本分类、以及直接把 LLM 当作分类器或标注器的做法逐渐出现，分类任务的实现范式随之改变。
对从业者而言，这条演进线并不意味着替代关系，更像是工具箱的叠加。经典方法在低延迟、高吞吐、标注充足的场景中依然有成本与稳定性优势；语言模型则在语义复杂、类别边界模糊、标注稀缺的场景中更有吸引力。文章的价值在于把几代方法放在同一脉络下对照，帮助读者为具体任务做出取舍。
原文刊载于 Sebastian Raschka 的个人杂志，感兴趣者可查看完整内容。