分类 de texte (Text Classification) est une tâche d'apprentissage automatique qui utilise les techniques du traitement du langage naturel (Natural Language Processing, NLP) pour attribuer automatiquement un texte à des catégories ou étiquettes prédéfinies en fonction de son contenu. Cette technologie analyse les informations lexicales, sémantiques et contextuelles du texte pour organiser et gérer automatiquement de grandes quantités de données textuelles non structurées, et constitue l'une des tâches fondamentales des systèmes de recherche d'informations, d'analyse de contenu et de prise de décision intelligente.

Le développement de la classification de texte repose sur des recherches de longue date dans des domaines tels que les modèles de langage statistiques, l'apprentissage automatique et le traitement du langage naturel. Les méthodes précoces s'appuyaient généralement sur des caractéristiques conçues manuellement (comme le sac de mots, TF-IDF) combinées à des algorithmes de classification pour déterminer la catégorie d'un texte, mais présentaient des limites en matière de compréhension sémantique complexe et d'expression des caractéristiques. En 2014, le chercheur de l'Université de New York, Yoon Kim, a proposé dans l'article Convolutional Neural Networks for Sentence Classification une méthode utilisant les réseaux de neurones convolutifs (CNN) pour la classification de phrases, démontrant l'efficacité des modèles d'apprentissage profond dans les tâches de représentation et de classification de textes, et devenant l'un des travaux de recherche représentatifs importants dans le domaine de la classification de textes profonde.

Les méthodes modernes de classification de texte utilisent généralement des modèles de langage pré-entraînés (comme les modèles de type BERT), des grands modèles de langage (LLM) et des réseaux de neurones profonds pour apprendre les représentations sémantiques des textes, et accomplissent des tâches telles que l'analyse des sentiments, la classification thématique, la reconnaissance d'intention et la détection de spam. Avec le développement des grands modèles de langage, la classification de texte est progressivement passée de méthodes reposant sur l'ingénierie manuelle des caractéristiques à des méthodes basées sur la compréhension sémantique et la modélisation contextuelle, améliorant ainsi sa capacité d'adaptation dans des scénarios textuels complexes. Actuellement, cette technologie est largement appliquée dans des domaines tels que l'analyse d'opinion publique, le classement des recherches, les systèmes de service client, la modération de contenu et la gestion des connaissances d'entreprise.