如果文本分类问题由少量分离良好的类别组成，则许多分类算法可能运行良好。但是许多真正的分类问题包括大量通常非常相似的类别。读者可能会想到诸如网络目录（Yahoo!目录或开放目录项目），图书馆分类方案（Dewey Decimal或国会图书馆）或法律或医学应用中使用的分类方案等示例。例如，雅虎！目录由深层次结构中的200,000多个类别组成。对大量密切相关的类别进行准确分类本身就很困难。

大多数类别都具有层次结构，并尝试通过执行来利用层次结构 分层分类 是一种很有前景的方法 但是，目前这样做的有效性而不仅仅是处理层次结构的类仍然是适度的。

如果文本分类问题由少量分离良好的类别组成，则许多分类算法可能运行良好。但是许多真正的分类问题包括大量通常非常相似的类别。读者可能会想到诸如网络目录（Yahoo!目录或开放目录项目），图书馆分类方案（Dewey Decimal或国会图书馆）或法律或医学应用中使用的分类方案等示例。例如，雅虎！目录由深层次结构中的200,000多个类别组成。对大量密切相关的类别进行准确分类本身就很困难。

机器学习的一般结果是，通过组合多个分类器，您可以始终获得分类精度的小幅提升，前提是它们所犯的错误至少在某种程度上是独立的。现在有大量关于投票，装袋和提升多种分类器等技术的文献。同样，参考文献中有一些指针。然而，最终可能需要混合自动/手动解决方案来实现足够的分类准确度。在这种情况下，一种常见的方法是首先运行分类器，并接受其所有高可信度的决策，但是将低可信度的决策放入队列中以进行人工审查。这样的过程还自动地导致新训练数据的产生，该新训练数据可以在机器学习分类器的未来版本中使用。然而， 不是从文件空间中随机抽样的。