主题
关键词统计
通过对比发现关键词。 采用 TF-IDF 算法挖掘文本关键词。
核心思想
TF-IDF 的判断逻辑是对比：
有两组文本 A 和 B，算法认为 A 中大量出现、而在 B 中很少出现的词，对 A 组来说很重要。
这正好补上了词频统计的短板——词频高不代表有特点， 「发展」「我们」在所有语料里都高频，说明不了任何问题。
适用场景
适合：
- 比较两组或多组文本的用词差异（如国企 vs 民企年报、不同年份的政策文件）。
- 想知道某个群体/时段/来源的特色用词。
- 做文本分类的特征词分析。
不适合：
- 只想知道整体高频词 → 用词频统计。
- 语料只有一组，没有对比对象 → TF-IDF 需要分组，单组场景意义有限。
操作步骤
| 步骤 | 要做什么 | 产出 |
|---|---|---|
| 1. 上传 | 上传语料，并选择分组维度 | 语料 + 分组 |
| 2. 词表设置 | 确认停用词、自定义词、同义词 | 词表配置 |
| 3. 结果 | 按组计算 TF-IDF 权重 | 分组关键词表 + 分组词云图 |
| 4. AI 解读 | 生成学术化的结果描述 | 可写入论文的段落 |
第二步的分组维度在哪设
分组维度在上传环节确定（按时间 / 文件 / 文件夹）。没有分组就没有对比对象， TF-IDF 也就无从计算——这是本流程与词频统计在操作上最关键的差别。
结果说明
| 结果 | 说明 |
|---|---|
| 语料库基本概况 | 文档数、总字数等 |
| 整体 TF-IDF 结果表 | 词、权重、所在组 |
| 分组 TF-IDF 表 | 每组各有哪些高权重词 |
| 词云图 | 整体与分组，样式可选 |
计费方式
| 步骤 | 计费 |
|---|---|
| 上传、词表设置 | 免费 |
| AI 词表推荐 | 按输入字数计费 |
| TF-IDF 统计 | 按文本字符数阶梯计费 |
| AI 解读 | 按输入字数计费 |
具体积分以产品内价目表为准。
相关流程
- 词频统计 —— 绝对频次，不做对比
- 共现语义网络 —— 看关键词之间的关联结构
- 经管文本指标 - 关键词统计 —— 面向经管面板数据的关键词频次统计