TATOOLS 在线文本分析工具

情感分析

识别正面、负面和中性倾向，适合评论、舆情和访谈材料分析。

LDA（按用词归纳主题）主题模型

从一批文档中发现主题结构，输出主题词、文档分布和可视化报告。

文本质量评估器

在正式分析前检查文本规模、重复、句长和 NLP 任务适用性。

按行清洗文本：移除停用词、处理标点、剥离网页噪声，并可按字数窗口分段供后续建模。

文本清洗

文本质量评估器

从六个维度给文本做一次全面体检，判断它能不能直接用于主题建模、聚类、实体识别等下游任务。

中文文本规范化

把繁简、标点、全半角写法不一的中文统一成出版级样式，并可整篇转写为拼音。

词性标注

统计名词动词分布、转移矩阵、基准语料对比，看清文本的语法骨架。

关键词抽取

提取文本核心关键词,TF-IDF 看稀有度、TextRank 看关联强度，交叉对比看清文本核心语义。

高频词提取

统计词频和固定词组，包括 2–4 个词组成的搭配，自动归纳焦点说法与多篇间的共性。

命名实体识别

自动识别文本里的人名地名机构时间，生成可核对实体清单。

文体风格指纹

把写作习惯拆成可对比的统计指标，定位风格差异来源。多篇文本可对比风格上是否相近、相近到什么程度。

找出文本里经常成对出现的词，并用多项统计指标判断这种搭配是否真的稳定。

词语共现分析

可视化每句话的主干、修饰与依赖关系，并给整段文本打出句法复杂度评分。

依存句法分析

文本矩阵分析

找出多份文本里最重要的核心词，用矩阵和网络图展示词与词之间的关联强度。

传统情感分析

识别文本情感倾向，支持自建积极词和消极词。

使用深度学习模型判断情感倾向，支持电商、学术、金融等 7 种行业语境，输出关键词和置信度。

DeepSentiV2深度学习情感分析

综合原文命中、位置与多路证据，为长文筛选核心短语。

DeepKeyword 深度学习模型关键词发现

简单文本聚类

按文本相似性自动分组，并用质量指标和原文检查主题边界。

KWIC关键词上下文索引

对齐关键词左右语境，比较命中密度、位置分布与同行共现。

KWIC关键词命中矩阵

按段落统计多组关键词命中、覆盖与共现，定位主题集中分布。

文档词项矩阵

逐文档统计高频词，用矩阵比较用词分布与相似度

估算中英文本阅读门槛，比较近似阅读年级并定位难句。

标点纠正

统一并修正中文文本中的已有标点。

文本可读性分析

按语义找出含义相近的句段对和聚类，减少同类表达的漏检。

相似句查找

词汇等级评估

对照官方词表逐词估等级并筛超纲，可作新词发现候选与后续主题、关键词任务的自定义词表。

抽取式摘要（TextRank / LexRank 双引擎）

用 TextRank 与 LexRank 双算法从原文挑出最关键的几句拼成摘要，不改写、可溯源。

敏感信息脱敏

批量识别并脱敏文本里的身份证、手机号、银行卡等结构化个人信息，占位 / 掩码 / 删除三选一。

将多文件合并为统一语料，按教材流程运行经典 BoW-LDA，输出可复核的主题与文档概率。

经典LDA主题建模

高级情感分析

逐句解释文本为何偏正负面，给出证据词和推理逻辑。

不只给整体参考分，还定位逐段逐句风险，并生成可复用改稿提示。

AIGC内容检测

从文本中自动抽取人物、机构、概念及其关系，生成可交互的知识图谱。

知识图谱

自动整理停用词候选，省去反复手写、增补停用词表的精力。

停用词挖掘

把无标点的连续中文恢复成带句读的句子，并给出句长诊断与逐句列表，便于后续文本挖掘。

文本结构还原器

基于语义聚类重建文本主题结构，自动生成抽象标签并解析主题间距离与层级关系。

BERTopic 主题聚类

从文本中发现若干主题，展示主题词、文档分布及主题之间的关系。

高级LDA主题模型

分析文本情感，除积极/中性/消极外，输出效价（V）、唤醒度（A）、支配度（D）三个维度。

VAD 三维情感分析

PCA 主成分分析

把高维文本特征压缩成少数主成分，帮助看清差异主要来自哪些方向。

高级文本聚类

对大批量文本做语义聚类，自动发现主题与结构。

LSA 潜在语义分析

用LSA把分散文本压成几个语义方向，看清主题边界、重叠关系和代表性段落。

找出常规分词容易切碎的术语、专名和流行表达，补齐领域词表。

智能发现新词

对LDA在多个候选主题数下做多指标对照，给出更稳妥的主题数建议。

LDA困惑度计算

逐句评估信息量与表达效率，筛出真正值得保留和引用的内容。

信息价值评估

文本相似度去重雷达

对成批文档做相似度分析与聚类，给出去重建议与可视化（矩阵、雷达等）。

用关联强度指标筛出材料里稳定的词搭配，可指定中心词专门查它周围的典型搭配伙伴。

词语搭配强度分析

重复内容合并

基于语义相似度将意思接近的句子或段落归组，保留代表句并合并重复表达。

词汇多样性分析

标量化文本用词丰富度，并定位哪一段开始变得"车轱辘话"。

PCA 主成分降维

对表格数值列做主成分分析，输出方差解释、载荷、得分和二维投影散点图。

领域术语抽取

从一批专业文档里自动挑出该领域反复使用的多字术语。

样本聚类

对表格数值列做 K-Means 聚类，自动选 K 并输出分群画像和二维投影图。

语料对比关键词分析

用 keyness 关键性统计对比两组语料，找出目标里反复强调的特征词与相对回避的话题。

趋势分析

对日期指标序列做聚合、移动平均、环比同比分析，自动识别峰谷和异常。

语料检索

在一批文档里按相关度检索段落、句子或整篇文档，关键词与意思接近的内容都能找到。

词汇增长曲线分析

拟合词汇增长曲线与 Zipf 分布，给出用词开放度、词频陡峭度，并预测再读多少文本能新增多少词。

依存句法模式挖掘

从大批句子中归纳反复出现的依存关系、词性骨架、动词论元与修饰搭配，补足单句句法树看不到的整体规律。

话语标记词分析

总结（所以、然而、总之）这类衔接词的用量与位置，看懂文章怎么讲道理、哪里转折和收束最集中。

写作风格判定

基于多种统计风格特征，量化每篇文档的写作风格。

上传小说、演讲稿、访谈或日记等长文本，画出它从开头到结尾的情绪起伏曲线，标出高点、低谷与转折，并判断属于哪种经典情绪弧。

全文情感曲线

删减中文文本中的冗余表达，改写口语表述，生成简化后的文本。

中文文本简化

因果关系推断

从文本中识别（因为—所以）等因果关系，适合政策与社科分析。

立场分析

识别文本中的利益相关方、立场态度与利益动因。

期待挖掘

从反馈与政策文本中挖出具体期待，判断大家最想要什么、急不急、情绪如何。

逐句检测中文文本中的阴阳怪气、过度捧杀和隐含负面情绪，揭示字面之外的真实态度。

隐含情感识别

从长文中抽取时间、事件、主体、地点并归一化日期，输出可排序的时间线。

事件时间线抽取

逐句标注比喻、排比、反问等修辞手法，输出分布统计和密度指标。

修辞手法检测

比较不同组别或配对测量的数值结果，进行差异显著性检验。

组间差异分析

对两个分类变量生成交叉表（统计各类别组合），自动选择卡方或 Fisher 检验（判断关联），并输出 p 值与关联强度。

交叉表与卡方分析

整理问卷字段（清理常见格式问题），按研究目标梳理字段角色、量表候选与后续分析建议。

问卷数据准备助手

按题型统计问卷作答数据，汇总选项分布、评分均值与开放题高频词。

问卷分析

自动识别问卷变量（判断数据类型），输出均值、频数、占比、缺失率和论文叙述句。

问卷描述性统计

访谈录音结构化

将访谈音频转为对话稿（标记说话人与时间），并提取编码标签和核心主题。