决策树如何用于自然语言处理任务？

特征化：原始文本 → 分词 → 去停用词 → TF-IDF/词袋/n-gram 特征矩阵；

典型应用

• 情感/意图分类（客服工单路由）
• 垃圾邮件检测
• 主题粗分类（新闻频道）

决策树如何工作：按特征（如某词 TF-IDF 是否超过阈值）递归分裂，叶节点输出类别

特征化：原始文本 → 分词 → 去停用词 → TF-IDF/词袋/n-gram 特征矩阵。

典型应用

• 情感/意图分类（客服工单路由）
• 垃圾邮件检测
• 主题粗分类（新闻频道）

决策树如何工作：按特征（如某词 TF-IDF 是否超过阈值）递归分裂，叶节点输出类别；可用 Gini 或信息增益选分裂点。

优势：训练快、无需 GPU、规则可可视化（「若含 refund 且 rating<3 → 负面」），适合基线与可解释场景。

局限：高维稀疏下单次分裂利用特征少；难捕捉长距离语义与词序；对未见 n-gram 泛化弱。工业界常用 Random Forest / GBDT 集成多棵树，或直接用 BERT 微调。

参考 NLP 文本分类。