主题
BERTopic 主题
从海量文本中发现隐藏的主题。 BERTopic 是当前综合体验最好的自动化主题分析方法。
方法原理（一句话）
BERTopic 用预训练语言模型把文本转成语义向量，再通过降维和聚类找出语义相近的文本集合， 最后从每个集合里提取关键词，形成可解释的主题结构。
与传统方法的关键差别：它理解语义，而不只是统计词频——所以「价格贵」和「太贵了」 会被归到同一个主题，即使它们没有共同词汇。
适用场景
适合：
- 短文本：评论、微博、推文、开放题作答、新闻标题。
- 文本量较大（几百到几万篇），人工读不完。
- 想同时得到主题结构与丰富的可视化，用于论文呈现。
不适合：
操作步骤
| 步骤 | 要做什么 | 产出 |
|---|---|---|
| 1. 数据上传 | 上传语料 | 语料 |
| 2. 词表设置 | 确认停用词、自定义词、同义词（支持 AI 推荐） | 词表配置 |
| 3. 模型配置训练 | 选择嵌入模型、调整关键参数，训练模型 | 主题列表 + 关键词 + 多种可视化 |
| 4. 主题合并 | 把语义相近的主题合并（支持 AI 推荐方案） | 合并后的主题结构 |
| 5. 主题名称调整 | 给主题起可读的名称（支持 AI 辅助命名） | 带名称的主题表 |
| 6. AI 解读 | 生成方法介绍与结果解读 | 可写入论文的段落 |
第 4、5 步是可选的人工优化，两者互不依赖，任意一个完成后即可执行第 6 步。 如果第 3 步的主题关键词已经清晰，可以跳过 4、5 直接做 AI 解读。
参数与干预点
这是 BERTopic 相比「一键出结果」工具的区别——关键细节都可以人工干预：
| 可调项 | 影响 |
|---|---|
| 嵌入 / 文本向量模型 | 决定「语义相近」怎么定义，对结果影响最大 |
| 主题数量范围 | 控制粒度为粗粒度还是细粒度 |
| 关键词数量 | 每个主题展示多少个代表性词 |
| 主题合并 | 手动把相近主题并成一个 |
结果说明
| 结果 | 说明 |
|---|---|
| 核心主题信息表 | 主题编号、关键词、文档数 |
| 文档-主题映射表 | 每篇文档归属哪个主题 |
| 主题关键词柱状图 | 各主题的代表词及其权重 |
| 文档主题分布图 | 主题在文档间的分布 |
| 相似度矩阵热力图 | 主题之间的相似程度 |
| 主题层次聚类谱系图 | 主题的层级归并关系 |
| 主题气泡图 | 主题的规模与分布 |
| 时间维度统计表 / 折线图 | 主题随时间的消长 |
计费方式
| 步骤 | 计费 |
|---|---|
| 上传、词表设置 | 免费 |
| AI 词表推荐 | 按次固定积分 |
| 模型配置训练 | 按文本字符数阶梯计费（核心计算，单价较高） |
| 主题合并 | 按次固定积分 |
| 主题命名 | 按次固定积分 |
| AI 解读 | 按次固定积分 |
具体积分以产品内价目表为准。