随着互联网的高速发展,网络上的信息越来越丰富,这在给我们带来便利的同时,也产生了一个新的问题。由于网络上充斥着海量的非结构化的信息,这就迫切需要一种有效的信息处理技术,使得我们能够在如此巨大的信息资源中找到所需的信息而不至于被大量无关信息淹没。在此背景下,Web文本挖掘技术应运而生,并逐渐成为一个研究热点,本文主要研究中文Web文本挖掘技术。本文首先介绍了Web文本挖掘的研究背景、研究意义、研究现状和相关基本理论知识。其次,研究了中文文本的分词问题。本文采用基于词典的逐字二分查找方法实现粗切分,并对歧义切分和未登录词识别设计了相应的处理策略;特别是针对组合型歧义,本文提出了基于句子结构相似度的事例学习消歧方法。接着,本文探讨了中文文本的特征表示与特征选择,采用向量空间模型(VSM)对文本进行表示;而文本的特征选择则采用评估函数χ~2统计法进行处理。然后,针对中文文本的聚类,本文设计了以知网为背景知识的概念聚类算法。利用知网资源构建中文概念词典和概念层次结构,然后通过概念消歧、概念映射等步骤将文本特征映射到概念空间,并应用一种改进的K中心点算法完成文档的聚类分析。最后,通过实验,主要测试了本文设计的中文Web文本挖掘系统的分词效率和聚类效果。实验结果表明,本系统主要的性能指标基本令人满意,具有较好的实际应用价值。