在文本分类任务中，以下是对各个模型的分析：

- **HMM (Hidden Markov Model)**：
- 用途：主要用于序列预测问题，如语音识别和序列标注。
- 在文本分类中通常不适用，因为文本分类是非序列任务。

- **CRF (Conditional Random Field)**：
- 用途：广泛用于序列标注任务，如命名实体识别、词性标注。
- 对于直接的文本分类任务来说，不是最优选择。

- **SVM (Support Vector Machine)**：
- 用途：广泛用于分类任务，包括文本分类。
- 特点：有效处理高维数据，适合文本分类中的稀疏特征向量。

- **LDA (Latent Dirichlet Allocation)**：
- 用途：主题模型，主要用于从文档中提取主题。
- 不直接用于文本分类，但可以作为特征提取的一部分，结合其他分类算法。

**正确答案：C: SVM**

**专业分析**：
SVM是一种强有力的分类器，常用于文本分类，尤其适合处理高维稀疏数据（如词袋模型表示的文档数据）。它通过寻找最佳决策边界（超平面）来区分不同类别，是文本分类任务的首选之一。CRF和HMM更适用于序列标注任务，而LDA用于主题建模。