作为人工智能领域的前沿课题之一,文本挖掘(Text Mining)是以文本数据为研究对象,以数理统计分析为理论基础,结合机器学习与自然语言处理等相关方法,提取文本隐含信息以及知识的计算机处理技术。为解决传统人力分析方法在处理规模化学术文档集时效率低下的问题,本文以切割布局问题(Cutting and Packing Problem,C&P)学术文献为研究对象,旨在结合文本挖掘与机器学习相关方法,实现该类文献内容类别的智能化解析及识别,从而为规模化学术文档集的分析和处理提供更加高效的途径。主要研究工作包括以下几个方面:(1)根据本文的研究对象和研究目标,研究了 C&P问题的基本概念和该类学术文献的主要内容类别,并以国际主流运筹学期刊为数据来源,建立了文档数据集,作为本文算法模型的测试对象。(2)基于Python编程语言及其第三方库,构建了包括文档格式的转换、文本数据降噪、文本切分、停用词去除、词性标注以及词干提取等步骤在内的文本数据预处理流程。(3)对比经典特征提取方法,选择并建立了基于人工神经网络(ANN)的文本特征提取模型。主要包括样本训练数据的生成、全连接神经网络的设计、卷积核数量和大小的确定、池化操作的选择、模型超参数的设置和可视化处理、训练算法的实现。(4)为解决全局式智能解析算法识别效率低下的问题,提出了分步识别方法:首先,采用基于文本排序算法的关键信息提取,缩减目标文档的数据规模;其次,采用基于编辑距离的模糊识别算法对所提取的关键信息进行搜索匹配,从而实现了学术文献内容的智能化解析和识别。(5)基于整体研究方案搭建了学术文献智能挖掘原型系统,实现了主要流程的模块化、集成化以及自动化。为验证所提方法的有效性,对文档数据集进行了规模化测试,并采用分类模型评价体系分析了测试结果。结果表明,本文所提方法主要性能指标均能取得较好结果,综合可接受度为81.19%,说明本文对相关研究及应用具有一定的参考意义。