Khai phá văn bản còn được gọi là phân tích văn bản. Nó là thủ tục chuyển đổi văn bản không có cấu trúc thành dữ liệu có cấu trúc để phân tích đơn giản. Khai thác văn bản áp dụng xử lý ngôn ngữ tự nhiên (NLP), cho phép máy móc biết ngôn ngữ của con người và xử lý tự động.
Nó được định nghĩa là thủ tục lấy thông tin quan trọng từ văn bản ngôn ngữ chuẩn. Một số dữ liệu mà nó có thể tạo ra thông qua tin nhắn văn bản, hồ sơ, email, tệp được viết bằng văn bản ngôn ngữ phổ biến. Nó thường được sử dụng để vẽ các mẫu thông tin chi tiết có lợi từ dữ liệu đó.
Khai thác văn bản là một phương pháp tự động sử dụng xử lý ngôn ngữ tự nhiên để thu được những hiểu biết có giá trị từ văn bản phi cấu trúc. Nó có thể là chuyển đổi dữ liệu thành thông tin mà các thiết bị có thể học, khai thác văn bản tự động hóa phương pháp phân loại văn bản theo tình cảm, chủ đề và ý định.
Trong khai thác dữ liệu văn bản, nó được sử dụng trên dữ liệu văn bản. Nó có thể đọc và phân tích thông tin dạng văn bản. Trong khai thác văn bản, mẫu được trích xuất từ dữ liệu phi cấu trúc hoặc văn bản ngôn ngữ tự nhiên. Trong khai thác văn bản, đầu vào là văn bản không có cấu trúc và sau đó đầu ra là văn bản có cấu trúc.
Khai thác văn bản bao gồm một tập hợp các tài liệu văn bản ở dạng pdf, doc, Docx, txt, ... Sau khi nhận được tài liệu, sử dụng Xử lý trước (so sánh với NLT - Natural Language Text) của văn bản và sau đó tiếp cận Khai phá văn bản. Như vậy, phân tích tài liệu văn bản cuối cùng cũng tìm ra kiến thức.
Có hai phương pháp liên quan là Lọc và Truyền trực tuyến. Lọc có thể loại bỏ các từ không mong muốn hoặc thông tin có liên quan. Dòng từ cung cấp gốc cho các từ liên kết. Sau khi sử dụng phương pháp phát trực tuyến, mọi từ được thiết kế bởi nút gốc của nó.
Khai thác văn bản là một lĩnh vực bùng nổ bất ngờ trong việc áp dụng cho các ứng dụng kinh doanh. Sự bùng nổ trong việc áp dụng được kích hoạt bởi thông tin gia tăng về TM và các mức giá thấp hơn mà các công cụ TM có sẵn ngày nay.
Phân tích thủ công dữ liệu văn bản phi cấu trúc là không thực tế hơn và do đó, các phương pháp khai thác văn bản đang được phát triển để tự động hóa quá trình phân tích dữ liệu.
Mục tiêu chính của khai thác văn bản là cho phép người dùng trích xuất bản ghi từ nội dung dựa trên văn bản và xử lý các dịch vụ như Truy xuất, Trích xuất, Tóm tắt, Phân loại (được giám sát) và Phân cụm (không được giám sát), Phân đoạn và Liên kết.
Lý do chính sau khi áp dụng khai thác văn bản là sự cạnh tranh mạnh mẽ hơn trong ngành kinh doanh, một số tổ chức đang tìm kiếm các giải pháp giá trị gia tăng để cạnh tranh với các tổ chức khác. Với việc nâng cao mức độ hoàn thiện trong kinh doanh và thay đổi quan điểm của người dùng, các tổ chức đang nhận được những khoản đầu tư lớn để có được một giải pháp có thể phân tích dữ liệu của người dùng và đối thủ nhằm cải thiện khả năng cạnh tranh.