请阐述在数据挖掘任务中，采用深度学习架构实现文本分类的完整流程，包括模型选择、训练策略及评估方法，并说明与传统机器学习方法相比的优劣。
考察说明
考查对深度学习文本分类技术栈的掌握程度，包括模型、流程和对比分析。
回答思路
- 【回答框架 1】定义文本分类任务，即给定文本序列映射到预定义类别标签。深度学习模型通过自动学习文本的层次化表示，摆脱传统手工特征工程。
- 【回答框架 2】主流模型包括TextCNN（捕捉局部n-gram特征）、RNN/LSTM（建模序列依赖）、Transformer架构如BERT（利用预训练语义表示）。选择依据：数据量、任务复杂度、计算资源。
- 【回答框架 3】训练流程包括预处理（分词、构建词汇表、填充至固定长度）、嵌入层（词向量或预训练嵌入）、模型主体、输出层Softmax分类。损失函数常用交叉熵，优化器选Adam。
- 【回答框架 4】评估指标包括准确率、精确率、召回率、F1分数，尤其在类别不平衡时。需划分训练/验证/测试集，验证集用于调参，测试集评估泛化。
- 【回答框架 5】与传统方法（如TF-IDF+朴素贝叶斯或SVM）相比，深度学习能自动学习特征，处理复杂模式，但需要较大数据和计算资源，解释性较弱。
- 【关键点 1】深度学习文本分类核心是学习文本的层次化表示，摆脱手工特征。
- 【关键点 2】Transformer（如BERT）通常优于CNN和RNN，但需要大量数据和算力预训练。
- 【关键点 3】训练流程含预处理、嵌入、模型主体、输出层，损失为交叉熵。
- 【关键点 4】评估要结合准确率和F1，防止类别不平衡影响。
- 【关键点 5】传统方法计算成本低、解释性强，但性能受限于特征工程。
- 【易错点 1】忽视类别不平衡会导致模型偏向多数类，需调整类别权重或使用F1评估。
- 【易错点 2】使用BERT时不进行适当微调（如冻结底层）可能过拟合小数据集。
- 【易错点 3】预处理不一致（如未统一文本清洗）会导致训练和预测分布不匹配。