一是基于规则的方法，一般由知识库和推理机两大基础部分组成。知识库储存了从专家那里获得的关于某领域的专门知识，推理机具有推理的能力，即根据知识推导出结论，而不仅仅是简单搜索现成的答案。由于需要由知识工程师手工编制大量的推理规则，因此其开发费用是相当昂贵的。
二是基于数据的机器学习方法，研究从观测样本出发，寻找规律（即利用一些做好标识的训练数据自动地构造分类器），利用这些对未来样本进行预测。现有机器学习的重要理论基础之一是统计学。传统统计学研究的是样本数目趋于无穷大时的渐近理论，现有学习方法也多是基于大数定律的结论。由于基于相对简单的机制，以及实际环境中所表现出来的良好性能，而为大部分文本自动分类系统所采用。
另外，按照有无训练集，自动分类方法还可以分为归类和聚类：在文本分类过程中，文本的类别可以是预先给定的，也可以是不确定的。前者对应自动分类中的自动归类，后者对应自动分类中的自动聚类。自动归类是分析被分类对象的特征，并与各种类别中对象所具有的共同特征（或一定的分类标准、分类参数）进行比较，然后将对象化归为特征最接近的一类（或最符合标准参数的一类），并赋予相应的分类号。实际上，手工分类一般根据历史的经验先定了类，于是一般分类的问题就蜕化成了归类的问题。自动聚类是从待分类对象中提出特征，然后将提出的全部特征进行比较，再根据一定的原则或需要（如类别数目的规定，或同类对象的相似或接近程度），将具有相同或相近特征的对象定义为一类，并设法使各类中包含的对象大致相等。
2.如何对现有的分类及自动分类系统进行评价？
随着信息时代的来临，特别是因特网对人们生活的全面介入，信息爆炸的现实使人们越来越注重对自动分类的研究，目前，已经提出了许多理论上较为优秀的分类算法，例如支持向量机、向量空间模型、BAYES方法和决策树方法等，并已经有许多模型系统被开发出来。
表1和表2是国内个已经开发的部分系统。
表1：国外近年来开发的自动分类系统
序号 | 时间 | 完成机构 | 完成人员 | 技术特点 |
1 | 1994年 | At&T实验室 | David D. Lewis等 | 基于非确定性的自动分类技术 |
2 | 1996年 | At&T实验室 | William W. Cohen等 | 电子邮件的自动分类 |
3 | 1997年 | 德国Dortmund大学计算机系 | Torsten Joachims等 | 基于向量空间模型的自动分类 |
4 | 1997年 | 美国Stanford大学计算机系 | Daphne Koller等 | 基于很少语料词汇的层次自动分类 |
5 | 1998年 | 美国Carnegie mellon大学计算机系 | Yiming Yang等 | 采用决策树等聚类算法的在线自动分类 |
6 | 1999年 | 美国Just Research公司 | Andrew McCallum等 | 运用信息熵理论、Bayes理论等实现多类号的自动分类 |
7 | 1999年 | 美国Massachusetts大学计算机系 | Jamie Callan等 | 针对文本库的自动分类系统 |
8 | 1999年 | 美国IBM和Oracle公司 | | 为推广电子商务研制基于文本内容的电子邮件自动分类 |
9 | 1999年 | Microsoft公司 | | 为其浏览器开发基于内容属性分类的插件 |
表2 国内一些自动分类系统
Table 1-1 Some assistant and automatic classification systems
完成时间 | 研制人 | 单位 | 类型 | 主要技术特点 |
1986 | 朱兰娟，王永成 | 上海交通大学计算机系 | 自动归类系统 | 类主题词表，检索类主题词累计其类归属度，据Bayes最小损失原则确定分类 |
1995 | 苏新宁等 | 南京大学 | 自动归类系统 | 主题词与类号关系表，确定权重系数，分类前控词典，停用词表 |
