我们现在所生活的是高速运行、时刻在向前发展的社会环境,科技的不断创新将我们带进了一个全新的大数据时代,发达的科技不仅仅日益丰富着人们的生活乐趣,同时将人们之间的关系进行了还原,心与心的距离缩小了,更重要的是改变了人们的沟通方式。大数据作为现代科技环境的中心,是一种极其重要的资源,大数据顾名思义当然是数据量“巨大”,但真正的价值不是它的大,而是它内在所包含的信息,那些可以被有效利用起来的信息,使之逐渐变成有意义的时代产物。如何发现这些信息是有价值的可以被人们使用的呢?那么就要通过文本挖掘技术来探究,文本挖掘是由机器学习、并行计算、统计学、数据挖掘、自然语言处理、概率、图论等各个学科相互融合的,涵盖着以上学科的精华,基于此就是文本挖掘被许多学者和专家进行研究的原因所在,融合了多种学科和技术,不存在明显的学术限制,可以使得各个领域的学者进行交流合作与探讨。由于朝鲜长期实行信息的封闭政策,官方的各种统计数据都零散的存在于各类文献资料或是新闻报道中,这给朝鲜半岛问题的系统研究带来了诸多不便,基于统计学方法的朝鲜语大数据文本挖掘研究就是要解决此类问题。本研究选取的新闻数据共计约500万条,其中朝鲜语数据150万条,中文数据350万条,将这些数据导入进Transwarp Data Hub,即一个功能较为完善周全的大数据综合平台。进行数据清洗与转换、文本预处理与分类、建立朝鲜新闻专属词库和更新朝鲜语语料库等关键步骤,通过服务器中的R Studio应用统计学知识进行文本挖掘的相关研究,根据朝鲜半岛的资料及具体问题的特征建立分析模型,结合各种已成熟的算法以实现朝鲜语大数据文本挖掘,其中关键环节是朝鲜语语料库的更新和朝鲜新闻专属词库的建立,对有关朝鲜专属语料的添加、更新、编辑、剔除等工作,更新后的语料库与建立的朝鲜新闻专属词库为基础,在词性标注方面有了更高的一致性,并对得到的结果进行具体分析,最终的研究结果可以为人文社科类学者在研究朝鲜半岛诸多问题上提供强有力的数据支撑和理论支持。