GLUE榜單地址：https://gluebenchmark.com/leaderboard/
如果要用一句話形容文本分類任務在NLP中的應用之廣，某種程度上，大概這句話最適合：
一切NLP皆分類。
通常來說，NLP可以分為自然語言理解（NLU）和自然語言生成（NLG）。在NLU方面，我們拿時下最流行的GLUE(General Language Understanding Evaluation)排行榜舉例，其上集合了九項NLU的任務，分別是
- CoLA(The Corpus of Linguistic Acceptability):紐約大學發布的有關語法的數據集，該任務主要是對一個給定句子，判定其是否語法正確，因此CoLA屬於單個句子的文本二分類任務；
- SST(The Stanford Sentiment Treebank)，是斯坦福大學發布的一個情感分析數據集，主要針對電影評論來做情感分類，因此SST屬於單個句子的文本分類任務（其中SST-2是二分類，SST-5是五分類，SST-5的情感極性區分的更細致）；
- MRPC(Microsoft Research Paraphrase Corpus)，由微軟發布，判斷兩個給定句子，是否具有相同的語義，屬於句子對的文本二分類任務；
- STS-B(Semantic Textual Similarity Benchmark)，主要是來自於歷年SemEval中的一個任務（同時該數據集也包含在了SentEval），具體來說是用1到5的分數來表征兩個句子的語義相似性，本質上是一個回歸問題，但依然可以用分類的方法做，因此可以歸類為句子對的文本五分類任務；
- QQP(Quora Question Pairs)，是由Quora發布的兩個句子是否語義一致的數據集，屬於句子對的文本二分類任務；
- MNLI(Multi-Genre Natural Language Inference)，同樣由紐約大學發布，是一個文本蘊含的任務，在給定前提（Premise）下，需要判斷假設（Hypothesis）是否成立，其中因為MNLI主打賣點是集合了許多不同領域風格的文本，因此又分為matched和mismatched兩個版本的MNLI數據集，前者指訓練集和測試集的數據來源一致，而后者指來源不一致。該任務屬於句子對的文本三分類問題。
- QNLI（Question Natural Language Inference)，其前身是SQuAD 1.0數據集，給定一個問句，需要判斷給定文本中是否包含該問句的正確答案。屬於句子對的文本二分類任務；
- RTE(Recognizing Textual Entailment)，和MNLI類似，也是一個文本蘊含任務，不同的是MNLI是三分類，RTE只需要判斷兩個句子是否能夠推斷或對齊，屬於句子對的文本二分類任務；
- WNLI(Winograd Natural Language Inference)，也是一個文本蘊含任務，不過似乎GLUE上這個數據集還有些問題；