टेक्स्ट माइनिंग को टेक्स्ट विश्लेषण के रूप में भी जाना जाता है। यह सरल विश्लेषण के लिए असंरचित टेक्स्ट को संरचित डेटा में बदलने की प्रक्रिया है। टेक्स्ट माइनिंग प्राकृतिक भाषा प्रसंस्करण (NLP) लागू करती है, जिससे मशीनें मानव भाषा को समझ सकती हैं और इसे स्वचालित रूप से संसाधित कर सकती हैं।
इसे मानक भाषा टेक्स्ट से आवश्यक जानकारी निकालने की प्रक्रिया के रूप में परिभाषित किया गया है। टेक्स्ट संदेशों, रिकॉर्ड्स, ईमेल, फ़ाइलों के माध्यम से उत्पन्न कुछ डेटा सामान्य भाषा टेक्स्ट में लिखे जाते हैं। टेक्स्ट माइनिंग का उपयोग आमतौर पर ऐसे डेटा से लाभकारी अंतर्दृष्टि या पैटर्न निकालने के लिए किया जाता है।
टेक्स्ट माइनिंग एक स्वचालित विधि है जो असंरचित टेक्स्ट से मूल्यवान अंतर्दृष्टि प्राप्त करने के लिए प्राकृतिक भाषा प्रसंस्करण का उपयोग करती है। डेटा को उस जानकारी में बदलकर जिसे उपकरण सीख सकते हैं, टेक्स्ट माइनिंग भावना, विषय और इरादे के अनुसार टेक्स्ट को परिभाषित करने की विधि को स्वचालित करती है।
दो विधियाँ हैं: फ़िल्टरिंग और स्ट्रीमिंग। फ़िल्टरिंग अवांछित शब्दों या प्रासंगिक डेटा को हटा सकती है। स्ट्रीमिंग शब्द संबंधित शब्दों के लिए मूल प्रदान करते हैं। स्ट्रीमिंग विधि का उपयोग करने के बाद प्रत्येक शब्द को उसके रूट नोड द्वारा परिभाषित किया जाता है।
टेक्स्ट माइनिंग के प्राथमिक लक्ष्य
उपयोगकर्ताओं को टेक्स्ट-आधारित संपत्तियों से जानकारी निकालने और पुनर्प्राप्ति, निष्कर्षण, सारांशीकरण, श्रेणीकरण (सुपरवाइज्ड), और क्लस्टरिंग (अनसुपरवाइज्ड), विभाजन, और संघ जैसे संचालन को संभालने में सक्षम बनाना।
टेक्स्ट माइनिंग अपनाने का मुख्य कारण
व्यावसायिक उद्योग में अधिक शक्तिशाली प्रतिस्पर्धा, कई संगठन अन्य संगठनों के साथ प्रतिस्पर्धा करने के लिए मूल्य वर्धित समाधान खोज रहे हैं। व्यवसाय में बढ़ती प्रतिस्पर्धा और बदलते उपयोगकर्ता दृष्टिकोण के साथ, संगठन प्रतिस्पर्धात्मकता में सुधार के लिए उपयोगकर्ता और प्रतिद्वंद्वी डेटा का विश्लेषण करने में सक्षम समाधान प्राप्त करने के लिए भारी निवेश कर रहे हैं।
टेक्स्ट माइनिंग के लाभ
टेक्स्ट माइनिंग पाठ्य डेटा के प्रबंधन के लिए फायदेमंद है। पाठ्य डेटा असंरचित, हेरफेर करने में कठिन, और अस्पष्ट होता है, इसलिए टेक्स्ट माइनिंग डेटा विनिमय के लिए सबसे उपयोगी विधि बन जाती है जबकि डेटा माइनिंग व्यावसायिक डेटा पर उपयोग की जाती है।
आर्थिक, शैक्षणिक और सामाजिक गतिविधियों के माध्यम से हर दिन बड़ी मात्रा में नए रिकॉर्ड और डेटा बनाए जाते हैं, जिनमें महत्वपूर्ण संभावित आर्थिक और सामाजिक मूल्य होता है। इस क्षमता का दोहन करने के लिए टेक्स्ट और डेटा माइनिंग और एनालिटिक्स सहित कई तकनीकों की आवश्यकता होती है। इस विधि का उद्देश्य टेक्स्टुअल दस्तावेजों के एक बड़े सेट से डेटा प्राप्त करने के लिए आवश्यक प्रयासों को कम करना है।
डेटा के प्रकार
- संरचित डेटा (Structured Data) - इसमें वे सभी रिकॉर्ड शामिल हैं जिन्हें डेटाबेस SQL में पंक्तियों और स्तंभों वाली टेबल में सहेजा जा सकता है। उनके पास एक संबंधपरक कुंजी होती है और उन्हें पूर्व-डिज़ाइन किए गए फ़ील्ड में आसानी से मैप किया जा सकता है। आज, ये डेटा विकास में सबसे अधिक संसाधित होते हैं और जानकारी को संभालने का सबसे सरल तरीका है।
- अर्ध-संरचित डेटा (Semi-structured Data) - अर्ध-संरचित डेटा वह डेटा है जो संबंधपरक डेटाबेस में शामिल नहीं होता लेकिन इसमें कुछ संगठनात्मक विशेषताएं होती हैं जो इसे विश्लेषण करना आसान बनाती हैं। कुछ प्रक्रियाओं के साथ, इसे संबंधपरक डेटाबेस में सहेजा जा सकता है (कुछ प्रकार के अर्ध-संरचित डेटा के लिए यह बहुत कठिन हो सकता है), लेकिन अर्ध-संरचना स्थान, निश्चितता या गणना को आसान बनाने के लिए मौजूद होती है।
- असंरचित डेटा (Unstructured Data) - असंरचित डेटा लगभग 80% डेटा का वर्णन करता है। इसमें टेक्स्ट और मल्टीमीडिया सामग्री शामिल है। इसमें ई-मेल संदेश, वर्ड प्रोसेसिंग फ़ाइलें, वीडियो, फोटो, ऑडियो फ़ाइलें, प्रेजेंटेशन, वेबपेज और कई प्रकार के व्यावसायिक दस्तावेज़ शामिल हैं।
