大数据由于自身数据的复杂性、多样性和广泛性，在数据挖掘技术和相对应的挖掘工具方面具有丰富的经验。由此来看，可以将论文发表大数据的挖掘技术划分为经典数据挖掘方法以及智能挖掘方法两种。

一、K-均值算法

       该算法是聚类算法，通过将n个对象结合其自身的属性划分为K个分割，也就是K＜n。该算法与处理混合正态分布的算法有很大的相似之处。假设目标对象属性源自于空间向量，且每个目标能够使各个群组之间的平均误差总和达到最小，则在大数据挖掘技术应用中，K-均值算法可以用于目标空间位置的聚类，也可以对辐射源参数等类型比较复杂的数据进行改进，然后再对其参数进行聚类。

二、频繁项集方法

       简单来说，该方法就是支持度大于等于最小字支持度的结合，该挖掘方法是数据挖掘任务的关联规则、相关性论文发表分析、因果关系以及序列项集或者周期性挖掘等基础，拥有广泛的应用前景，并且还可以用来发现目标的空间活动规律。

三、人工智能情报分析论文发表技术

       在人工智能的不断发展下，情报分析的自动化已经成为必然趋势。基于大数据的支撑使得情报分析取得了一定程度的突破，对于传统情报分析的技术预测方面产生了重要的影响。因此，对智能情报分析的提升，不仅要提出技术方面的解决方案，还要结合实际需求建立起各种类型的情报研究任务的信息模型、分析模型以及问题模型等。