文本智能处理技术（Text Intelligence Processing）是指利用计算机技术和算法对自然语言文本进行处理和分析，从而实现自动化、智能化的文本处理技术。以下是常见的文本智能处理技术：

1. 文本分类：将文本分为不同的类别或标签，例如新闻分类、情感分类等。文本分类通常使用机器学习算法进行训练和预测，例如朴素贝叶斯、支持向量机（SVM）和深度神经网络等。
2. 文本聚类：将文本聚类成多个组或簇，例如相似主题的文本聚类、基于相似性的分类等。文本聚类通常使用无监督学习算法进行训练和预测，例如K-means聚类、层次聚类等。
3. 信息检索：从大量的文本数据中检索出与查询相关的信息或文档，例如搜索引擎、问答系统等。信息检索通常使用基于索引的方法进行搜索和匹配，例如倒排索引、BM25算法等。
4. 自然语言生成：将计算机程序生成的自然语言文本，使其具有人类语言的表达方式和语法结构。自然语言生成通常使用模板填充、规则推导和机器学习等方法进行实现。
5. 情感分析：对文本中的情感倾向进行分析和判断，例如情感分类、情感极性标注等。情感分析通常使用机器学习算法进行训练和预测，例如基于规则的情感分析、基于深度学习的情感分析等。
6. 命名实体识别：从文本中识别出具有特定意义的实体，例如人名、地名、组织机构名等。命名实体识别通常使用基于规则的方法或机器学习算法进行训练和预测，例如条件随机场（CRF）、支持向量机（SVM）等。
7. 文本摘要：从大量的文本数据中提取关键信息和摘要，以便快速浏览和理解。文本摘要通常使用基于规则的方法或机器学习算法进行训练和预测，例如基于关键词的摘要、基于深度学习的摘要等。
8. 机器翻译：将一种自然语言文本自动翻译成另一种自然语言文本，例如英中文翻译、日中文翻译等。机器翻译通常使用基于统计学的翻译模型或基于深度学习的神经网络模型进行训练和预测，例如基于句法的翻译模型、基于神经网络的机器翻译模型等。

这些文本智能处理技术在不同的应用场景中都有广泛的应用，例如搜索引擎、社交媒体分析、商业智能、智能客服、自然语言处理等。