使用教程

DeepSentiV2 情感分析教程：按语境判断整句倾向

DeepSentiV2 用整句语义而不是单个褒贬词判断情感。每条有效文本会得到积极、中性或消极标签、0 到 1 的得分，以及最多五个关键词。工具还提供七种行业文本类型，让同一句表达放回更贴近业务的语境中分析。下面从文本粒度、参数选择、报告阅读和两组实测样本说明具体用法。

传统情感分析工具使用教程：对比两种词典方法，补充自己的情感词表

传统情感分析基于 PySenti 和 CnText 两个开源词典方法做二次开发，底层词典融入了多年实际项目中积累的行业情感词。它适合做评论、问卷开放题、舆情短文本和访谈分段的初步正负中标注。这个工具的重点不是自动理解复杂语境，而是把两种词典方法放在同一份报告里对比，并允许用户自己补充积极词和消极词。你可以用它查看 PySenti 在默认词典和自建词典下的变化，同时把 CnText 作为另一套内置情绪词典口径参考，再把分歧样本交给人工复核。

文本矩阵分析工具使用教程：给多份材料定核心词、看词与词怎么抱团

文本矩阵分析适合回答一个问题：这批材料里哪些词最值得关注，它们之间又是怎么抱团的。你上传多份 TXT 或 CSV，系统会先把文本切成一段段「文档段」，统计词频并做 TF-IDF 加权，挑出在这批材料里区分度最高的核心词；再看这些词在同一段里谁和谁反复结伴出现，连成共现矩阵和关系网络。它不替你归纳主题，而是给你一份按重要度排好的词表、一张谁与谁结伴的热力图，以及每个词对回原文核对的证据，帮你决定从哪里开始读、从哪里开始编码。

依存句法分析工具使用教程：可视化句子骨架，量化句式复杂度

依存句法分析适合回答「这句话的结构是什么样的、哪里让读者读不懂」。编辑处理长难句时需要定位主干，老师讲解句式时需要可视化结构，研究者对比句式复杂度时需要量化指标——这些场景的共同点是：不能只靠语感判断句子结构，还需要看得见的骨架和可比较的数字。这个工具会逐句标出主语、谓语、宾语和修饰成分之间的依赖关系，用可视化依存关系图呈现句子结构，并给出句法复杂度评分。

词语共现分析工具使用教程：用统计指标判断词对搭配是否可靠

词语共现分析适合回答「哪些词经常一起出现，这种搭配是否稳定」。做舆情分析时需要梳理话语口径，做访谈研究时需要提取概念关联，做知识图谱时需要准备搭配数据——这些场景的共同点是：不能只看单个词的频率，还要看词和词之间的关系。这个工具会在指定窗口范围内扫描词对，用三种统计指标判断搭配是否超出随机水平，帮你从文本里提取可靠的词语搭配结构。

文体风格指纹工具使用教程：把写作习惯拆成可对比的风格画像

文体风格指纹适合把模糊的写作读感拆成具体指标。老师觉得作文有点散、编辑觉得改稿没改到位、审稿人觉得论证不够连贯、运营觉得通稿语气不统一——这些判断往往是对的，但落到修改时还需要更具体的依据。这个工具会从句长、句型、词汇结构、词性占比、标点密度和人称代词使用率等维度生成写作画像，让每个角色的读感都能落到可修改的指标上。

命名实体识别工具使用教程：从文本中提取人名、地名、机构和时间线索

命名实体识别适合在正式分析前整理对象清单。它会从 TXT 或 CSV 文本中提取人名、地名、机构名、时间等专名线索，并保留实体所在原句、实体类型、开始位置和结束位置。报告页会同时展示规则识别和语义识别两种口径，上方先给出整体解读，下方用高频实体和句子级对照表帮助你回到原文复核。这个功能不替你判断人物关系或事件因果，它的价值在于把散在文本里的对象先整理出来。

高频词提取工具使用教程：统计词频和固定词组，找出文本中反复强调的核心提法

写报告、做分析的时候，你可能想知道一篇文章里哪些词被反复提到、哪些说法经常连在一起出现。靠人工通读很难精确量化，靠AI读也不行——容易有幻觉，遗漏或编造根本不存在的提法。高频词提取解决的就是这个问题：统计单个词的出现次数，也可以在你勾选两个词、三个词、四个词组合后，统计相邻词组成的固定词组。报告会自动给出关键发现，配上词云、面积图、Top 20 清单和「核心词 × 长组合」对比表；多文件时还会展示跨文档共有词和单篇独有词。

关键词抽取工具使用教程：TF-IDF 和 TextRank 双算法交叉验证，提取文本核心关键词

一篇文章里哪些词最能代表它的主题？单靠一种算法可能会有偏差。关键词抽取同时运行 TF-IDF 和 TextRank 两种方法，TF-IDF 看稀有度，TextRank 看关联强度，再自动计算排名相关系数，帮你在交叉验证中找到最可靠的关键词。

词性标注工具使用教程：统计词类分布，分析文本语法特征

文本中的名词、动词、形容词比例，会影响我们对文体风格的判断。词性标注会把每个词归入语法类别，再汇总为分布统计、相邻词性转移矩阵和基准语料对比。中文文本同时跑两套标注引擎，结果可以相互参照，帮助发现分词路径和语法角色判断上的差异；英文走句法级路径，标签集更贴近跨语言语法体系。

文本质量评估器：从字符构成到任务适用性，给语料做一次全面体检

你手头有一份文本，想拿去做主题建模或者情感分析，但不确定质量够不够。符号太多会不会让分词崩？重复行太多会不会让主题模型全是噪声？文本质量评估器帮你回答这些问题。它用纯统计方法（不调用大模型）从字符构成、词汇丰富度、重复率、句长分布、信息熵等多个维度给文本做一次量化体检，输出一份 0-100 的综合得分和六种 NLP 任务的适用性判定。

中文文本规范化工具使用教程：繁简转换、标点统一、数字转正文、拼音转写

不同来源的中文文本，繁简体、标点符号、数字写法经常不一致。人工阅读时不太显眼，但做排版发布或者文本分析时会出问题——同一个词在简体和繁体里变成了两个词条，词频统计就散了。中文文本规范化帮你把这些不一致统一起来，处理方式是无损替换，一个字都不会丢。和文本清洗不同，规范化是"改写"，清洗是"删减"，建议先规范化再清洗。

文本清洗工具使用教程：批量去除噪声、标点、停用词，输出干净语料

原始文本里经常混着 HTML 标签、多余标点、emoji、零宽字符这些东西。它们会干扰词频统计、主题建模、情感分析的结果。文本清洗帮你把这些噪声批量去掉，处理完得到干净文本和一份对照预览，方便你确认没有误删。

TATOOLS 用户隐私政策