隨著網絡時代的到來和普及，現在大量的信息扎堆，在給人們代理快捷方便的同時也給我們帶來一個難題，就是大量的數據如何消化以及真假的辨別，其次是這些信息的安全性如何保證，再就是他們的統一處理方式方法。這時一個新的名詞出現了——數據挖掘技術。

(2)數據挖掘：在前面步驟所獲得的數據集上進行數據挖掘，可以單獨利用也可以綜合利用各種數據挖掘方法對數據進行分析，根據數據挖掘的目的。選定數據挖掘算法，選擇某個特定數據挖掘算法(如匯總、分類、回歸、聚類等)用于搜索數據中的模式。

數據挖掘方法是由人工智能、機器學習的方法發展而來，結合傳統的統計分析方法、模糊數學方法以及科學計算可視化技術，以數據庫為研究對象，服務器租用 免備案服務器，形成的數據挖掘的方法和技術。數據挖掘是數據和信息系統及其應用的學科前沿，是綜合了數據庫、專家系統和可視化等領域的相關技術的多學科和多種網絡技術交叉結合的新領域。

數據挖掘過程一般包括以下幾個步驟：

數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知的、但又是潛在有用的信息和知識的過程。由于商業領域采用計算機技術處理業務，產生了大量的業務數據，分析這些數據也不再是單純為了研究的需要，服務器租用 免備案服務器，更主要是為商業決策提供真正有價值的信息。要從海量數據中獲得有利于商業運作、提高競爭力的信息，就像從礦石中淘金一樣，數據挖掘也因此而得名。

(3)結果的分析和同化;上面得到的模式模型，有可能是沒有實際意義或沒有使用價值的。因此需要評估，確定哪些是有效的、有用的模式。評估可以根據用戶多年的經驗，有些模式也可以直接用數據來檢驗其準確性。對數據挖掘出的結果進行解釋和評價，轉換成為能夠最終被用戶理解的知識。

數據挖掘技術是一個充滿希望的研究領域，商業利益的強大驅動力將會不停地促進它的發展。每年都有新的數據挖掘方法和模型問世，人們對它的研究正日益廣泛和深入。對海量文本信息進行有效的數據挖掘已經是自然語言處理、信息檢索、信息分類、信息過濾、語義挖掘、文本的機器學習等諸多應用領域基礎且關鍵的研究問題，它影響著上層信息服務與信息共享的質量和水平。NLPIR大數據語義智能技術將對中文數據挖掘技術進行深入研究，必將提供出高質量、多功能的中文數據挖掘算法并促進自然語言理解系統的廣泛應用。

(1)數據準備：一般存儲在數據庫系統中的是長期積累的大量的數據，往往不適合利用這些進行處理，需要做數據準備工作，一般包括數據的選擇、凈化、推測、轉換、數據縮減，通過這些工作生成數據倉庫。數據準備是否做好將影響到數據挖掘的效率和準確度以及最終模式的有效性。

例如，北京理工大學大數據搜索與挖掘實驗室張華平主任研發的NLPIR大數據語義智能分析技術是對語法、詞法和語義的綜合應用。NLPIR大數據語義智能分析平臺平臺是根據中文數據挖掘的綜合需求,融合了網絡精準采集、自然語言理解、文本挖掘和語義搜索的研究成果,并針對互聯網內容處理的全技術鏈條的共享開發平臺。其中KGB(Knowledge Graph Builder)知識圖譜引擎是我們自主研發的知識圖譜構建與推理引擎，基于漢語詞法分析的基礎上，采用KGB語法實現了實時高效的知識生成，可以從非結構化文本中抽取各類知識，并實現了從表格中抽取指定的內容等。KGB同時可以定義不同的動作，如抽取動作，并能自定義各類后處理程序。