随着数据挖掘技术的发展,在网络文本的大量产生和传播现状下,使得文本分类、文本摘要提取、文本推荐等逐渐成为网络文本挖掘研究的热点问题。针对这些问题,本文做了以下研究:(1)针对K-means算法对初始聚类中心敏感,针对不规则聚类簇效果较差的缺点,提出了两种基于K-means聚类的改进算法。对于K-means算法会对不规则类簇聚类效果差的问题,通过每次迭代时,在每个特征维度上校准来实现较为精确的中心调整。在20 Newsgroups等数据集实验表明,该算法在F1-measure指标上较其他两种算法,提升了分类精度。(2)基于关键词过滤和潜在语义结合的文本摘要方法。首先使用EM算法对样本文章进行篇章分割,然后通过聚类对分割后所得块进行聚类,综合方法尽可能的选择权重、排名较高的句子。同时还研究了不同的加权方案对文本摘要性能的影响。(3)基于规则的文本推荐方法。提出了一个基于规则的文本推荐方法,对随机抽样数据进行聚类,基于样本集中的潜在规则和内容相似性进行推荐。实验结果表明,与其他推荐方法相比,文中方法具有较好的推荐多样性和推荐准确度。最后本文综合聚类算法和基于规则的推荐算法,提出了一种新闻推荐方法,向用户推荐有针对性并且多样化的新闻。