在数据挖掘领域的研究中,文本分析工作一直都是该方向的热门话题,常见的文本分析工作包括:文本的分类、聚类、实体集扩展等。当前常用的文本分析算法多是从文本本身来挖掘隐含特征,如词、语义、句法特征等方面。但是实际上,文本通常会受文本过短、数据量不足、难做标注等影响,导致提取的特征不佳,影响文本分析的效果。知识图谱,一个具备语义性质的知识库系统,由网络中的知识文本数据抽取构建而成,以RDF模式存储,可以看作是一种复杂的异质信息网络。它包含丰富的语义信息,可以作为辅助或独立数据源加入到文本分析工作当中。本文基于知识图谱,开展了以下两个与文本分析相关的应用研究工作。首先,本文提出了基于知识图谱的文本特征构建方法,MeTeCo。该算法把文档中合适的词汇与知识图谱的实体一一映射,通过设计的双向元路径生成算法,找到恰当的元路径特征发掘文本中潜在的知识关系特征,再结合传统的Bag-of-Words文本特征,构造出新型的融合元路径的文本特征。通过与其他文本特征在真实数据集上进行试验,验证了 MeTeCo算法的有效性。其次,本文提出了基于知识图谱的实体集扩展方法,CoMeSE。该算法将知识图谱作为独立的数据源开展实体集扩展工作,通过改进的双向元路径发现算法,基于随机游走的拼接元路径发现算法(RWCP),发现种子实体之间的重要元路径关系,利用新型的多类型约束元路径(MuTyPath)概念进一步精确表示知识图谱的路径特征,并且设计新的相似性度量算法MuTySim把路径语义特征标量化。在此基础上,该算法再分别利用启发式学习和PU learning算法衡量路径特征的重要性,构建合适的实体集扩展模型。最后通过与现有的实体集扩展算法在真实数据集上进行对比实验,验证了 CoMeSE算法的有效性、高效性和稳定性。