文本挖掘常用的算法包括以下几种：
朴素贝叶斯分类器：基于贝叶斯定理的分类方法，用于计算每个类的概率，每个类的条件概率给出x的值。常用于分类问题，如过滤垃圾邮件。
决策树：一种监督学习算法，根据一系列规则将数据划分为不同的类别。它易于理解和解释，可以处理非线性关系。
神经网络：由若干层神经元和它们之间的联系组成，适用于一个输入可能落入至少两个类别里的情况。
支持向量机（SVM）：寻找一个最优超平面以将不同类别的数据分隔开，尤其适用于高维数据。
隐马尔可夫模型（HMM）：适用于存在隐藏变量的概率模型，常用于语音识别、词性标注等序列标注问题。
主题模型：如LDA（Latent Dirichlet Allocation），用于发现文档集中的主题，并将文档表示为主题的多项式分布。
情感分析算法：包括基于规则的方法、机器学习方法和深度学习方法。其中，基于规则的方法主要利用词典和规则进行情感分类；机器学习方法如朴素贝叶斯、支持向量机等；深度学习方法如卷积神经网络（CNN）和循环神经网络（RNN）等。
文本分类算法：包括基于词频统计的方法、基于词向量表示的方法以及基于深度学习的方法。其中，基于词频统计的方法如TF-IDF；基于词向量表示的方法如Word2Vec、GloVe等；基于深度学习的方法如CNN、RNN、BERT等。
信息抽取算法：从非结构化文本中抽取结构化信息，如命名实体识别、关系抽取等。
文本聚类算法：将文本集合中的文档划分为若干个不相交的子集，每个子集称为一个簇。常见的文本聚类算法有K-means、层次聚类等。
***还有一些其他算法，如Word2Vec、GloVe、BERT、ELMo等，这些算法在自然语言处理领域具有广泛的应用。
以上信息仅供参考，如有需要，建议咨询专业技术人员。
