预训练的词向量可以被应用于文本分类任务，可以通过以下几种方法进行：

  1. 嵌入层的初始化：在神经网络结构中，可以将预训练的词向量用作嵌入层的初始化。这样做可以将词汇的语义信息引入到模型中，有助于提高模型对文本的表示能力。

  2. 固定词向量：在训练过程中，可以选择将预训练的词向量固定住，不进行更新。这样可以避免在分类任务中过拟合，并为模型提供更准确的语义信息。

  3. 微调词向量：也可以选择允许词向量在文本分类任务中进行微调。在文本分类任务中，由于特定领域的文本数据可能具有不同的语义特征，通过微调词向量可以适应特定任务的需求。

  4. 多通道模型：通过多通道模型，可以利用预训练的词向量作为一个通道的输入，并将其与其他通道的特征（如字符级特征或词性标注特征）结合起来，提高模型对文本的表示能力和分类性能。

  5. 迁移学习：预训练的词向量可用于迁移学习，在一个相关的任务上进行预训练后，可以将已学习的知识迁移到文本分类任务中。可以通过冻结预训练词向量的一部分或全部层的权重，然后在文本分类任务上进行微调。这种迁移学习方法可以加速模型的收敛和提高模型的性能。

  总结来说，预训练的词向量可以通过嵌入层的初始化、固定词向量、微调词向量、多通道模型和迁移学习等方法应用于文本分类任务中，以提高模型对文本的表示能力和分类性能。根据具体任务的要求，选择适合的方法来使用预训练的词向量。