在当前科学技术快速发展的大背景下,随着计算机性能及网络传输速度的不断提高,人们每天接收和发送的信息量呈指数级增长,而文本是最常见的信息表现形式之一。在数据挖掘方面,我们接触的数据分析方法和形式绝大部分是基于对数字或者数值的描述,而忽略了对非结构化文本的分析。文本分析的目的在于从根本上把所有非结构化数据整合为结构化数据,从之前被普遍认为难以量化的海量文本中抽取出大量有价值的、有意义的数据或信息。本文在以上分析的基础上提出了基于社区发现的文本分析模型,将不同类别的文本构建成文本节点网络,再利用社区发现算法进行聚类分析和优化处理措施,能够提高文本分类的效果。主要工作内容如下:1、编写Python爬虫获取初始文本数据。运用基于Python开发语言的jieba分词工具,采取精确模式的分词方法对文本数据进行处理,接着将文本数据用于训练word2vec模型。2、根据基于词频统计的方法,对每篇文本提取出k个关键词,然后运用word2vec模型转换成向量,再转化成可以表征文本类别的向量。通过计算不同文本向量之间的余弦相似度,构建成以文本为节点的网络图。利用社区发现算法,将其相同类别的文本节点划分同样的社区中。3、得到表征文本类别的文本向量,对每个社区中的文本节点进行优化处理措施,最终将不同类别文本节点划分到同一个社区中,实现基于社区发现的文本分析模型。本文提出的基于社区发现的文本分析模型,创新之处在于利用了社区发现的聚类特点,能够对相同类别的文本节点进行聚类分析后,再结合word2vec方法,从而进一步提升测试样本数据集的分类效果。