文本挖掘方法有很多种，以下列举了一些常见的方法：

1. 文本分类：通过分析文本中的特征，将文本分为不同的类别或集群。常见的文本分类方法包括朴素贝叶斯分类器、支持向量机(SVM)、K最近邻(KNN)、决策树、逻辑回归等。
2. 文本聚类：将文本数据按照一定的相似性指标进行聚类，将相似的文本分为同一类。常见的文本聚类方法包括K-means、层次聚类、DBSCAN等。
3. 信息抽取：从非结构化文本中提取有用的信息，如实体、关系、事件等。常见的信息抽取方法包括基于规则的方法和机器学习方法。
4. 情感分析：通过分析文本中的情感色彩，可以了解人们对某个主题、品牌、事件等的看法和态度。常见的情感分析方法包括基于词典的方法、机器学习方法和深度学习方法等。
5. 主题建模：通过对大量文本数据进行分析，可以发现文本中的主题或隐含的概念。常见的主题建模方法包括潜在狄利克雷分布(LDA)、潜在语义分析(LSA)、非负矩阵分解(NMF)等。
6. 实体关系模型构建：通过分析文本中的实体和实体之间的关系，可以构建实体关系模型，用于描述现实世界中的各种实体之间的关系。常见的实体关系模型构建方法包括基于规则的方法和机器学习方法等。

以上是文本挖掘中常见的几种方法，不同的方法适用于不同的应用场景，需要根据具体的需求选择合适的方法。