数据挖掘，文字和情感应用

在互联网出现和创建网络之前，大多数交流都是通过口头进行的，其中没有任何对话的证据或证据，但是目前这非常互联网革命带来的差异比什么都重要。

已经创建了以大量工具和过程为代表的计算机系统，人们可以通过这些工具和过程更快，更好地学习。

毫无疑问，在对话中生成的大量数据中发现知识是一个挑战。因此，文本挖掘应运而生，代表了自动文本处理的最新研究领域

在社交网络出现之前，人们不限领域地相互推荐，但是在当今的互联网中，用户可以从各个领域和世界各地的人们中找到意见。

在致力于产品和服务制造的公司方面，分析在Internet上传播的产品和服务的观点已成为当今至关重要的战略。

通过这种方式，公司意识到在优化品牌的社会氛围方面进行的投资与他们生产的产品的性能之间有着非常密切的关系。

数据，文本，情感的挖掘

当前，对话的数据以更快的速度存储，人们和组织参与了信息交换，这是通过电子邮件，虚拟聊天，文本消息，博客和论坛来完成的。

在自然语言处理方面取得的进步代表了对文档进行分析的机会，并且网络使诸如学校之类的地区能够在短时间内呈现出重要的进步。

因此，已经创建了以大量工具和过程为代表的计算机系统，人们可以通过这些工具和过程更快，更好地学习。

数据挖掘是指通过分析大量数据来发现知识的过程。

与教育有关的数据挖掘技术的主要应用是：

个性化系统：通过这些系统，可以从用户那里获取尽可能多的数据，以改善向他们提供的服务推荐系统：它们的有用性体现在为用户提供不同主题方面，这些主题可能感兴趣的是，可以通过将这些概要文件与主题特征进行比较来完成修改系统：是指通过进行必要的修改以改善用户体验来检测需求。错误检测。

文本挖掘是一门专门用于获取未通过标识文本模式明确定义的信息的学科。

毫无疑问，在对话中产生的大量数据中发现知识是一项挑战，因此，文本挖掘应运而生，并代表了自动文字处理的最新研究领域。

文本挖掘，“被定义为在文本集合中发现有趣的模式的自动过程，这些模式不得在集合中的任何文本中明确显示，而必须通过关联其中几个内容而产生”（Barrio ，2014）

例如，在Twitter上，直到它显然可以指示出感兴趣的主题为止，但是由于数据挖掘，用户可以根据他们的偏好，想法和观点进行分类。（semanticwebbuilder，2016年）。

预处理：在此阶段，文本被转换为某种形式的结构化或半结构化表示形式，从而以某种方式简化了后续分析发现：在此阶段，对中间表示进行了分析，其主要目标是建立感兴趣的模式或知识。

数据挖掘应用程序包括：

通过对文本的管理，定义了实体及其关系，揭示了重要的语义信息，这些信息被用作元数据，同时又被添加到Web内容中，从而有助于理解这些文档。

情感分析或观点挖掘：它是对社交网络用户产生的观点的分析，有助于揭示特定主题的重要信息，从而可以支持商业智能和决策等不同领域客户分类：文档分类：这是促进文档检索和导航的关键方面，因为如果您想从项目开发的不同领域获取信息，这将非常困难，但是要感谢使用挖掘算法可以将文档分组为数据，以便获得描述每个组的信息，以便更轻松地理解每个组。其目的是获得属于特定主题的一组文档的一般描述，这些方法可以分为两类：
1. 提取摘要：由从文本中提取的信息单元组成的摘要摘要，在这种摘要中，合成信息不一定由文本中包含的信息单元组成。
知识的提取：通过数据挖掘，可以表示通过知识模型提取的信息。

文本挖掘必须面临以下挑战：

您必须了解生成文本挖掘的不同任务的内容的上下文，因为您必须知道作者是谁，作者所在的地区以及历史时刻，才能理解信息。除了获取信息和寻求获取知识之外，这还意味着将在该区域的不同任务中提取的信息转换为机器可以理解的语言，这是必须分析的大量信息，这可能非常在高效流程方面很难解决，必须定义并行算法以更好地利用当前的计算基础架构。（洛萨达，2016年）。