文本分类是将给定的文本按照预定义的类别进行归类的任务，常见的文本分类方法有以下几种：

  1. 基于规则的方法：利用人工定义的规则来判断文本所属类别，例如关键词匹配、正则表达式匹配等。这种方法比较简单，但通常需要人工进行规则的设计和维护。

  2. 朴素贝叶斯分类器：基于贝叶斯理论，通过计算文本在给定类别下的概率来进行分类。朴素贝叶斯分类器假设特征之间是相互独立的，虽然这个假设在实际情况中往往不成立，但朴素贝叶斯分类器在文本分类任务中表现良好，并且具有较快的训练和预测速度。

  3. 支持向量机（SVM）：以最大间隔为目标，通过将文本特征映射到高维空间中，并在此空间中寻找最优的超平面来进行分类。SVM在文本分类中具有较好的性能，尤其是对于高维稀疏的特征空间。

  4. 决策树和随机森林：通过构建一系列的决策规则来进行分类，每个决策规则通过判断文本的一些特定属性来确定文本的类别。决策树具有可解释性强、易于理解等优点，而随机森林通过集成多个决策树来减小过拟合的风险。

  5. 深度学习方法：如卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）等。这些神经网络模型在自然语言处理领域取得了很大的成功，具有对文本进行端到端建模、自动学习特征等优点，但需要更多的数据和计算资源。

  这些方法各有特点，适用于不同的文本分类任务。在实际应用中，可以根据具体情况选择合适的方法来进行文本分类。