字符串文本分类算法比较：朴素贝叶斯、SVM、决策树和神经网络

字符串文本的分类算法包括：

朴素贝叶斯分类算法：基于贝叶斯定理和独立假设，通过统计文本中每个单词出现的概率，来决定该文本属于哪个类别。优点是实现简单，速度快，适合处理大量文本数据，但是假设单词之间相互独立不一定符合实际情况。
支持向量机分类算法：通过寻找一个超平面，将不同类别的文本分开，使得同类别的文本尽可能接近，不同类别的文本间隔最大。优点是分类效果好，适合处理高维稀疏数据，但是需要大量计算，对于处理大量文本数据会很慢。
决策树分类算法：通过构建一棵树形结构，将不同类别的文本分开，每个节点表示一个特征，每个叶节点表示一个类别。优点是易于理解和实现，对于特征选择不敏感，但是容易过度拟合，分类效果不如支持向量机。
神经网络分类算法：通过构建多层神经网络，通过学习权重参数，来将不同类别的文本分开。优点是能够处理非线性问题，但是需要大量计算，对于处理大量文本数据会很慢，同时也容易过度拟合。

以上算法的区别主要在于算法实现的原理和方法，以及对于不同类型的文本数据的适用性和效果。针对不同的文本分类问题，需要根据具体情况选择合适的算法进行分类。