项目挑战
新闻分类任务本身成熟，但作为作品集项目，需要展示的不是跑通一个模型，而是不同方法论之间的效果、成本和适用场景差异。
解决思路
采用分层递进策略：传统方法验证特征工程天花板，序列模型验证端到端学习能力，预训练模型验证迁移学习效果。三者放在同一数据集上对比，让结论更有说服力。
工程实现
整个项目按数据层、模型层、评估层和部署层组织代码。每种模型的训练、评估和推理脚本独立成文件，输出统一的分类报告和混淆矩阵，方便横向对比。
项目价值
这个项目适合在面试中说明我对文本分类问题的完整理解：从数据处理、特征构建，到模型选择和结果分析，能清晰讲出每种方法的优劣和取舍逻辑。
项目拆解
亮点、过程与结果
核心亮点
以 TF-IDF + SVM 作为高效基线（F1 97.24%），再逐步升级到 BiLSTM + Attention 与 BERT 微调（F1 97.92%）。
项目包含数据预处理、模型定义、训练脚本、推理脚本与 Gradio 部署入口，结构清晰，方便复现。
通过分类报告和混淆矩阵展示三种模型在 10 类新闻上的表现差异。
实现过程
清洗 THUCNews 65,000 条文本，完成 jieba 分词、停用词过滤与训练/验证/测试集划分。
实现 TF-IDF 特征提取 + LinearSVC 分类器作为基线方案。
搭建 BiLSTM + Attention 模型，从零训练词向量与序列分类器。
微调 bert-base-chinese，使用 AdamW + 线性学习率预热策略。
开发 Gradio 交互界面，支持三种模型在线推理对比。
结果总结
三种方案均在 10 类新闻上取得 95%+ F1，BERT 最优（97.92%）。
TF-IDF + SVM 以极低训练成本达到 97.24% F1，验证了高质量特征工程的有效性。
项目形成可复现的多方案对比实验，适合展示文本分类的完整技术栈。