解决不平衡数据集上的单一类别文本分类问题，可以采用以下几种方法：

1. 欠采样（Undersampling）：从多数类别中随机选择一部分样本，使得多数类别和少数类别的样本数量接近。代码示例：

from imblearn.under_sampling import RandomUnderSampler

# 假设X为特征向量，y为标签
rus = RandomUnderSampler(random_state=0)
X_resampled, y_resampled = rus.fit_resample(X, y)

2. 过采样（Oversampling）：对少数类别的样本进行复制或生成新样本，使得多数类别和少数类别的样本数量接近。代码示例：

from imblearn.over_sampling import RandomOverSampler

# 假设X为特征向量，y为标签
ros = RandomOverSampler(random_state=0)
X_resampled, y_resampled = ros.fit_resample(X, y)

3. 结合欠采样和过采样（Combining Undersampling and Oversampling）：先对多数类别进行欠采样，再对少数类别进行过采样。代码示例：

from imblearn.combine import SMOTEENN

# 假设X为特征向量，y为标签
sme = SMOTEENN(random_state=0)
X_resampled, y_resampled = sme.fit_resample(X, y)

4. 使用权重（Weighting）：对样本的权重进行调整，使得少数类别的样本在模型训练中具有更大的权重。代码示例：

from sklearn.svm import SVC

# 假设X为特征向量，y为标签
class_weights = {0: 1, 1: 10}  # 设置类别权重，可以根据实际情况进行调整
svm = SVC(class_weight=class_weights)
svm.fit(X, y)

以上是一些常用的处理不平衡数据集上单一类别文本分类问题的方法和代码示例。实际应用中，需要根据数据集的特点和具体问题选择适合的方法。