长期以来，文本分类作为自然语言处理基础任务，主流技术路线大多建立在“标签互斥”的假设之上。传统的One-Hot编码配合交叉熵损失，在简单场景中表现稳定，但在真实应用里往往会遇到三类典型难题：多标签共存（如健身类文章同时涉及“体育”和“健康”）、语义边界不清（如影视内容既有娱乐属性也包含文化评论），以及人工标注不可避免带来的噪声。更分析发现，问题根源在于现有方法把标签当作彼此独立的离散符号，难以表达语言中天然存在的关联与层次。以综艺评论为例，“幽默”“表演”“脱口秀”等标签语义高度重叠，但传统分类器会强行将其切分开来，限制了模型对复杂语义的理解。更重要的是，当训练数据出现约30%的噪声时，主流标签平滑方法的性能下降可达12.7%。
文本分类的竞争不再只是更深的网络或更大的参数规模，更在于能否把真实世界的语义关系纳入监督信号；从One-Hot的刚性假设走向标签结构化学习，反映了评价标准从“追求更高准确率”转向“兼顾鲁棒性与可扩展性”。随着数据体量持续扩大、应用语境不断复杂化，能够刻画不确定性、容纳噪声并利用标签关联的技术路径，可能将成为提升自然语言处理系统可信度的重要方向。