在文本分类中，我们提供了多种模型进行选择，如果您不知道选哪个，可以选择CNN 进行尝试，兼顾了运行效率和最终结果。以下是模型的说明，您可以根据自己的具体场景，选择一个更适合的模型。
FastText 分类模型速度快，计算资源要求低，适合样本数量大、类别标签多，适合不需要太多语义理解的任务。
CNN 分类模型相比FastText 模型，CNN 适用复杂度更高的场景，可捕捉更多、更广、更细致的文本特征，适合需要一定语义理解的任务。对比FastText 通常效果要好一些，但训练时间也会更长。
Self-Attention 分类模型相比FastText 模型，Self-Attention 适应复杂度更高的场景，可捕捉更多、更广、更细致的特征；跟CNN 相比，能更好地捕捉文本里的长期依赖。适合需要一定语义理解的任务。训练时间跟效果跟 CNN 类似。
长文本分类融合模型【推荐】阿里巴巴达摩院自研的融合了CNN，FastText，Self-Attention等机制的集成学习模型，适用各类文本分类场景，包括篇幅较长的文体（如新闻、小说等），训练时间较长。
短文本分类融合模型阿里巴巴达摩院自研的针对短文本分类的模型，适用于比如短信、微博、评论等文字字数小于150 字的场景，底层集成了朴素贝叶斯、FastText、支持向量机、随机森林等传统机器学习模型，优点是训练速度快。
BERT 小样本分类阿里巴巴达摩院自研的针对小样本文本分类的模型，主要原理为使用 BERT模型 从大量无标注语料进行预训练。适用于标注语料有限的场景，训练和预测时间较长。
StructBERT 分类模型【推荐】阿里巴巴达摩院自研的alicemind模型体系，主要原理为使用StructBERT模型 从大量无标注语料进行预训练，精度较高，推理速度较慢。
StructBERT小样本分类：基于StructBert-base，在xnli数据集（将英文数据集重新翻译得到中文数据集）上面进行了自然语言推理任务训练
适用场景：面向文本分类任务，尤其是多层级（最多3级）、标签数目大，训练样本少的低资源场景。时间开销会比较大
典型输入样例：支持最多3层的层级分类，3层标签字段固定为“一级标签”、“二级标签”和“三级标签”。每一层为单标签分类