主题分析

从大量文本中自动发现「它们在谈什么」——把成百上千篇文档归纳成若干个可解释的主题。

包含的流程

流程	方法	适合的文本
BERTopic 主题	预训练语言模型句向量 + 降维 + 聚类	短文本、评论、社交媒体、新闻
LDA 主题	概率生成模型（词袋）	长文本，且不得不用 LDA 时
分维度情感分析	先划分维度，再统计各维度情感	想知道不同话题下的态度差异

BERTopic 还是 LDA

这是最常被问到的问题，官方口径很明确：

LDA 是曾经的自动化主题分析主流方法。只有在文本相对较长、且不得不的情况下才建议考虑。 如果只是分析短评论文本，建议直接用 BERTopic。

根本原因在于两者对文本的理解方式不同：

	BERTopic	LDA
表示方式	语义向量（理解同义、上下文）	词袋（只看词是否出现）
短文本	表现好	词太少，统计不稳定
长文本	可用	词足够多时可用
主题数	自动确定	需人工指定，用困惑度/一致性辅助定位

结论：没有特殊理由就用 BERTopic；文本是长篇论文、报告、讲话稿，且已有 LDA 的使用传统，再用 LDA。

分维度情感分析的位置

它形式上属于「主题 + 情感」的综合流程，放在本模块是因为它的第一步就是维度划分—— 而划分维度的三种方式（BERTopic / LDA / 关键词指定）都与主题分析相关。

如果你要的不只是「整体偏正面还是负面」，而是「对价格满意的同时对环境不满」这类结论，就该用它。

计费方式

步骤	计费
上传、词表设置	免费
AI 推荐（主题数推荐、合并方案推荐）	按次固定积分
模型训练	按文本字符数阶梯计费，BERTopic 单价高于 LDA
主题合并 / 命名	按次固定积分
AI 解读	按次固定积分

主题命名与合并可以不做

模型训练完成后，主题已经可用。合并与命名是可选的人工优化环节—— 如果主题关键词看起来已经清晰，直接跳到 AI 解读即可，省下这两步的积分。

具体积分以产品内价目表为准。