随着AlphaGO的席卷，越来越多的学者意识到强化学习在人工智能领域的重要作用。与此同时，随着深度学习的发展和深度学习的应用，许多传统的伪原创工具自然语言问题被打破。另外，引用David Silver的话：深度学习（DL）+强化学习（RL）=人工智能（AI）。
1.文本挖掘任务类型的划分
文本挖掘任务分为四大类：类别到序列、序列到类别、同步（为每个输入位置生成输出）序列到序列、异步序列到序列。
同步序列到序列的示例包括中文分词，命名实体识别和词性标注。序列到序列包括机器翻译和自动摘要。序列到类别的示例包括文本分类和情感分析。序列的类别（对象）的示例包括文本生成和图像描述。
2.文本挖掘系统总体规划
大观数据一直专注于文本语义。文本挖掘系统的总体方案包括NLP处理的所有方面。它可以分为章级应用程序、短串应用程序和词汇应用程序。
章级应用有六个方面，有成熟的产品支持企业在不同方面的文本挖掘需求：
垃圾评论：准确识别广告、不文明的术语和低质量的文字。
黄色反识别：准确定位黄色和x01777所涉及的文字。
标签提取：提取文本中的核心词以生成标签。
文章分类：根据预设的分类系统自动分类文本。
情感分析：准确分析用户通过文字表达的情感倾向。
文章主题模型：提取文章的隐藏主题。
为了实现这些顶级应用，大观数据掌握了单词短串分析的分析技术，开发了包含中文分词、专有名称识别、语义分析和词串分析的模块。
大观数据文本挖掘架构
3.序列标签应用：中文分词
同步序列到序列实际上是一个序列标记问题，应该说是自然语言处理中最常见的问题。序列注释的应用包括中文分词、命名实体识别和词性标注。序列标记问题的输入是观察序列，其输出标记序列或状态序列。
以中文分词为例，处理“组合成分”的观察序列，输出“结合/形成/分子”的分词序列。有几种方法可以处理这种中文分词，包括基于字典的方法。人工智能隐马尔可夫模型（HMM）、最大熵模型、条件随机场（CRF）、深度学习模型（双向LSTM等）和一些无监督学习方法（基于内聚和自由）。