无监督的迁移学习在文本分类任务中有一定的应用价值。在无监督的迁移学习中，我们使用一个领域的标注数据来训练一个文本分类模型，然后将该模型应用于另一个目标领域的未标注数据上，从而实现目标领域的文本分类任务。

  具体应用无监督迁移学习于文本分类任务的方法有以下几种：

  1. 自学习（Self-training）：自学习是一种半监督学习方法，它通过将预测概率最高的标签分配给未标注数据，然后将这些数据添加到训练集中，进一步训练分类模型。在文本分类中，可以使用已标注领域的模型对未标注领域的数据进行分类，然后将预测结果作为伪标签，将这些数据添加到训练集中重新训练模型。

  2. 直接迁移学习（Direct Transfer）：直接迁移学习方法中，我们直接使用已标注领域的数据训练模型，然后将该模型应用于未标注领域的数据上进行分类。这种方法的思想是，已标注领域的模型可以学习到一些通用的特征和知识，可以迁移到未标注领域。

  3. 动态迁移学习（Dynamic Transfer）：动态迁移学习方法中，我们使用已标注领域的数据训练一个基础模型，然后根据未标注领域的数据对模型进行微调。这种方法的思想是，已标注领域的模型可以提供一些初始的信息，但未标注领域的数据可以为模型提供更多的特定信息。

  以上是无监督迁移学习在文本分类任务中的一些应用方法。需要注意的是，在选择迁移学习方法时，需要根据具体的任务和数据情况进行选择，并进行实验验证选择的方法的效果。