BERTopic 主题聚类完整教程：从抽象标签到主题拆分合并，再到时间演化与追问

手里有三百份政策文件，或者四十份深度访谈的转写稿，第一个问题往往是这批材料到底在讲哪几件事。一份一份读能回答这个问题，只是很慢，读到后面，前面的印象也模糊了。主题模型（Topic Model，从大量文本里自动归纳话题的方法）就是用来回答这个问题的，它把文本归成若干主题，每个主题配一组关键词。

经典的 LDA（潜在狄利克雷分配，按词语一起出现的规律归纳主题）数的是词。【房价上涨让年轻人推迟结婚】和【住房成本高企，青年婚期后延】说的是一回事，切成词以后却没有一个词相同，LDA 很难把它们放到一起。BERTopic 是 Grootendorst 在 2022 年提出的主题模型。它先用语言模型把每段话变成一组表示意思的数字，意思相近的段落，这组数字也相近，于是能聚到一起，然后再从每一组里找出关键词。

在 TATOOLS 的【BERTopic 主题聚类】里【上传文档】，就能拿到主题清单，每个主题带关键词和一个概括出来的名字。报告还会画出主题之间的远近关系，列出每个主题的代表原文，统计主题随时间的变化。从切片段到算关键词，每一步的参数都在工具页上开放，可以按研究需要调整。结果出来以后，分得太细的主题可以合并，混在一起的可以拆开，每改一次生成一个新版本；也可以直接向这批材料提问，回答附原文出处。

这篇教程分三部分。第一部分顺着 BERTopic 的计算流程讲，从把长文切成片段一直讲到给主题起名字，也讲清工具页上每个参数改的是哪一步。第二部分讲结果出来以后怎样合并、拆分和移出主题，新版本重新算了什么。第三部分讲时间演化和追问，最后是论文里的写法。

先看一个结果长什么样。一份 3,000 字的社区调研报告切成 10 个片段，6 个片段归入【住房负担】，3 个归入【养老服务】，剩下 1 个没有归入任何主题。从这组结果能读出，这份报告六成的篇幅在谈住房。

主题模型的输入是一组文本单位，输出是每个单位的主题归属和每个主题的关键词。在 BERTopic 里，一个单位只归入一个主题，或者被标为离群。用符号写出来是这样。

LDA 假设每篇文档由几个主题按比例混合而成，一篇文档可以同时属于好几个主题。BERTopic 让每个片段只属于一个主题，一篇长文讲了几件事，靠把它切成片段来体现。上面那份调研报告就是这样，同一份报告的不同片段落进了不同主题。

Grootendorst 的论文把 BERTopic 写成一条流水线，前后几步各管一件事。判断两段话意思近不近，交给语义向量和聚类；主题用哪些词来描述，交给词频统计。两件事分开做，换掉其中一步，另一步照常工作。TATOOLS 按这条流水线实现，每一步都有对应的工具页设置和报告区块。

下面几节按这个顺序展开。

一份 1,500 字的政策文件，前半部分谈财政补贴，后半部分谈监管要求。整篇当成一个单位，只能归进一个主题。按 300 字一段切开，大约得到 5 个片段，谈补贴的片段和谈监管的片段就能各自归进不同的主题。

分析单位（Unit of Analysis）是一次统计或判断针对的对象。BERTopic 在 TATOOLS 里的分析单位是文档片段，一份文件能切出多少片段，可以这样估算。

切点尽量落在窗口长度附近的句号、问号或叹号处，每个片段接近一个意思完整的小段。每份文件单独切，一个片段里不会混进两份文件的内容。每个片段都记下来源文件和它在文件里的顺序，报告里的每条原文都能找回出处。

窗口大小决定一个片段装多少内容。

片段数是后面所有占比的分母。某个主题有 60 个片段，全部片段有 400 个，这个主题的占比就是 60 / 400 = 15%，离群片段也算在分母里。

TATOOLS 工具页上的【文本分割窗口大小（字符数）】可以在 100 到 500 之间调，默认 300。切片段之前，工具会先清理文本。中文模式只保留汉字、数字和最常用的几种标点，夹在中文里的英文字母会在这一步去掉，英文材料要在【文档主要语言】里选英文。目录、致谢和参考文献也会被切成片段参与聚类，上传前最好删掉。报告【主题建模分析概览】里的【文档片段数】，就是这次一共切出的片段数。

【房价上涨让年轻人推迟结婚】和【住房成本高企，青年婚期后延】切成词以后，没有一个词相同。按词来比，这两句话毫不相干；按意思来比，它们说的几乎是同一件事。

语义嵌入（Sentence Embedding，把一段话变成一组表示意思的数字）把每个片段映射成 d 维空间里的一个向量 v。训练好的嵌入模型会让意思相近的话落在空间里相近的位置。Reimers 和 Gurevych 2019 年提出 Sentence-BERT，让这类句子向量可以大规模计算，BERTopic 的第一步用的就是这类向量。两个向量有多近，最常用余弦相似度来量。

余弦相似度看的是两个向量的方向，取值在 −1 到 1 之间，越接近 1 方向越一致。用三个三维向量手算一遍，a = (1, 0, 1)，b = (1, 1, 0)，c = (2, 0, 2)。

a 和 c 方向完全相同，只是 c 长了一倍，余弦相似度是 1。按欧氏距离算，a 离 c 和 a 离 b 一样远。把向量先缩放到长度为 1，两种量法就对上了，单位向量之间的欧氏距离只由余弦决定。

用词不同、意思相同的片段，靠语义向量才能聚到一起。访谈里的口语说法和政策文件里的书面说法谈的是同一件事，也能落进同一个主题。

TATOOLS 为每个片段计算一个语义向量。工具页【自定义参数】里的【嵌入距离】选余弦距离时，所有向量先缩放到长度 1 再进入下一步，后面比的就是方向；选欧氏距离，向量保留原来的长度。默认是余弦距离。

语义向量通常有几百甚至上千维。维度一高，任意两点之间的距离会变得差不多，最近的点和最远的点拉不开差距。Beyer 等人 1999 年专门分析过这个现象，它是维度灾难（Curse of Dimensionality，维度越高、距离越难区分远近）的一种表现。按疏密找分组的算法最怕这种情况，到处都一样稀，就找不出哪里密。

UMAP（统一流形逼近与投影，一种降维方法，由 McInnes、Healy 和 Melville 在 2018 年提出）先在原来的高维空间里给每个点找 k 个最近的邻居，连成一张邻居关系图；再在低维空间里摆放这些点，让邻居关系尽量保持原样。低维空间里两点的相似程度，用下面这条曲线计算。

取 a = 1、b = 1 作为示例，距离 0.5 时 q = 1 / 1.25 = 0.8，距离 1 时 q = 0.5，距离 2 时 q = 1 / 5 = 0.2。距离越远，相似程度降得越快。min_dist 调大，曲线在近处变平，邻居之间允许留出一定间隔；调小，邻居会被挤得更紧，一簇一簇更分明。

TATOOLS 工具页的【UMAP（把高维数据压成少数几个维度）降维参数】有四个滑块，距离度量设置里另有【UMAP 距离】，可选余弦或欧氏。

邻居数量可以按片段总数来想。400 个片段、邻居数量 15 时，每个片段只参考离它最近的 15 个片段，占其余片段的 15 / 399 ≈ 3.8%。邻居数量调到 40，参考范围扩大到 40 / 399 ≈ 10.0%，局部的小分组更容易被周围的大组吸收。

UMAP 算出的低维坐标会随任务一起保存。第二部分讲的拆分主题，就是在这组坐标上重新分组，整批材料不用重算。

从高处看一片乡村，房子密集的地方是一个个村子，村子之间零星散着几户人家。把片段看成房子，村子就是主题，零星的几户就是离群片段。按疏密分组的算法做的就是这件事，而且事先不用说好有几个村子。

HDBSCAN（基于密度的层次聚类，Campello、Moulavi 和 Sander 2013 年提出）先给每个点量一个核心距离，再用它把稀疏处的距离拉长。

核心距离小，说明这个点周围很密。互达距离（Mutual Reachability Distance）取三个数里最大的一个，密集处的距离基本不变，稀疏处的点和别人的距离会被拉长。用一条直线上的四个点手算，A = 0，B = 1，C = 2，D = 10，k = 2。

A 和 B 的原始距离是 1，互达距离是 max{2, 1, 1} = 2。C 和 D 的原始距离是 8，互达距离是 max{2, 9, 8} = 9，D 被推得更远了。A、B 和 C 两两之间的互达距离都是 2，自成一组，D 离它们都在 9 以上。最小聚类大小设为 3 时，A、B 和 C 构成一个主题；D 单独一个点凑不成主题，标为离群，主题归属记作 −1。

算法接着把所有点按互达距离连成一棵树，从远到近逐级切断，得到一层套一层的分组。最小聚类大小决定多小的分组还算一个主题。最后要从这棵层次树里挑出最终的主题，EOM（超额质量法，偏向保留持续稳定的大组）和 Leaf（叶节点法，偏向切出最细的小组）是两种挑法。选择阈值 ε 让距离小于 ε 的相邻小组合并成一组。聚类结束后，HDBSCAN 还给每个片段算一个归属分数，取值 0 到 1，越接近 1，这个片段越靠近所在主题的密集核心。

TATOOLS 工具页【HDBSCAN（按疏密分层自动分类）聚类参数】开放了这一步的设置，【HDBSCAN 距离】决定原始距离 d(x, y) 怎么量。

三种距离用两个点手算，x = (1, 2)，y = (4, 6)。

欧氏距离是两点之间的直线距离。曼哈顿距离把每一维的差加起来，每一维的差异都算数；切比雪夫距离只看差得最大的那一维。

主题数有了目标值 K 以后，TATOOLS 先用你在工具页上设的这些参数跑一遍 HDBSCAN，再把主题数调到 K。聚出来的组比 K 多，就反复合并中心离得最近的两组，距离的量法和【HDBSCAN 距离】一致；比 K 少，就用 K 均值把片段最多的一组分成两半，每半至少 2 个片段。离群片段只由 HDBSCAN 决定，调主题数时不增也不减。只有当前参数下全部片段都被判为离群、一个组都没有时，才改用 K 均值把全部片段分成 K 组，这时片段没有归属分数。报告的【主题原文片段】按归属分数给每个主题的片段排序。

400 个片段，分成 6 个主题还是 10 个主题，两种结果可能都说得通。6 个主题对应材料里的几大议题，10 个主题把其中几个议题又分出了子话题。主题数决定的是看材料的分辨率，要按研究问题来选。

TATOOLS 工具页的【主题数量设置】有两种方式。【手动指定】用滑块直接定主题数，范围 2 到 200，工具页提示设到 20 个以上时，实际得到的主题数可能略少。【自动发现】让工具从数据里读出主题数，候选范围有上限，需要几十个细分主题时用【手动指定】。

自动发现在降维后的坐标上，用 K 均值聚类（K-Means，把点分成 K 组、让每组尽量围着自己的中心）把候选的 K 逐个试一遍，每个 K 算四个读数。

C_j 是第 j 组，μ_j 是它的中心。a(i) 是点 i 到同组其他点的平均距离，b(i) 是它到最近的另一组的平均距离。B(K) 是各组中心之间的离散程度，σ_i 是第 i 组的点到中心的平均距离。

手算两个读数。先看组内平方和从 K = 2 到 K = 6 怎样变化。

到 K = 4 以后下降突然变缓，肘部在 K = 4。再看轮廓系数，某个点到同组其他点的平均距离 a = 2，到最近的另一组平均距离 b = 6，它的轮廓系数是 (6 − 2) / 6 ≈ 0.67，这个点明显更靠近自己的组。

TATOOLS 把四个读数汇成两个数。主结构读数优先取肘部位置，肘部落在候选范围外时，改取几条曲线近优位置的中位数。细分读数取轮廓系数和 DB 指数两条曲线最优位置附近最大的 K，而且不小于主结构读数。【参数预设】里的三种策略，就是在这两个读数之间选。

三种预设还同时设定了降维、聚类和关键词的一组参数，选中以后，这些值会显示在【自定义参数】卡片里。

保守策略看的是材料的主干，适合先摸清一批材料有哪几大块。已经知道有哪几块、想看细节时用激进策略，它会把子话题分出来。选【自定义参数】后，卡片里的每个设置都能自己改。TATOOLS 报告【主题建模分析概览】的【运行设置】记录了这次的主题数量模式和最终主题数。

一个谈住房的主题里，【我们】和【政策】几乎每个片段都有，【租金】【首付】【公积金】主要出现在这个主题的片段里。描述这个主题，后面三个词有用得多。算关键词要做的，就是给集中在本主题里的词打高分，给到处都有的词打低分。

TF-IDF（词频–逆文档频率，一个词在这段里常见、在别处少见的程度）是做这件事的经典办法。逆文档频率由 Sparck Jones 在 1972 年提出，Salton 和 Buckley 1988 年系统比较了各种加权方式。

手算一个小例子。一共 4 个片段，片段 1 和片段 2 属于住房主题。【租金】在片段 1 出现 2 次，在片段 2 出现 1 次，别处没有，df = 2，idf = log₁₀(4 / 2) ≈ 0.301。【我们】在 4 个片段里各出现 1 次，df = 4，idf = log₁₀(4 / 4) = 0。

BERTopic 原论文用的是类别级 TF-IDF（c-TF-IDF），把一个主题的所有片段当成一份大文档来算。

TATOOLS 先给每个片段算 TF-IDF 向量，再在主题内部取平均，得分最高的词排在最前面，上面的手算例子就是这个算法。实际计算用的是 TF-IDF 的常用改进版本，词频取对数，idf 做了平滑，每个片段的向量缩放到长度 1，长片段不会因为字多占便宜。【向量化类型】选 Count 时，改为把主题内各片段的词频直接相加。

工具页的【文本向量化参数】和上方的词表设置一起决定哪些词有资格当关键词。

N-gram 上限调到 3，【住房 公积金 贷款】这样的三词短语也能成为关键词。词形合并写成【养老院：敬老院，老人院】，三种写法都按【养老院】计数，关键词表里只出现一次。最小文档频率设为 3，只在一两个片段里出现的生僻词会被排除，关键词更集中在反复出现的说法上。出现在绝大多数片段里的词也会被自动排除。

只按权重取词，排在前面的几个关键词可能意思差不多，比如【租金】【房租】【租房】挤在一起，关键词表读起来很重复。工具页【其他设置】里的【多样性参数】就是管这件事的。TATOOLS 先按权重给每个主题取 30 个候选词，再用最大边际相关（Maximal Marginal Relevance，MMR，一边看权重，一边避开和已选词重复）挑出 20 个。这个方法由 Carbonell 和 Goldstein 在 1998 年提出，BERTopic 的开源实现里也有同名的多样性参数。

每一步选 MMR 最高的候选词，选够 20 个为止。λ = 0 时第二项消失，就是直接取权重最高的 20 个。选中的词保留原来的权重，并按权重排序，报告里权重图和排名曲线的读法不变。

手算一步。【租金】权重最高，已经选中。剩下两个候选，【房租】的相对权重是 0.9，和【租金】的余弦相似度是 0.9；【首付】的相对权重是 0.8，和【租金】的相似度是 0.3。

λ = 0 时，下一个选的是【房租】；λ = 0.5 时，下一个选的是【首付】，意思和【租金】重复的【房租】往后排。三档预设里，保守策略和平衡策略的多样性参数是 0.1，激进策略是 0.3。

最小文档频率设得太高，可能没有词满足条件，计算就进行不下去。TATOOLS 遇到这种情况会自动调低最小文档频率重试，报告【主题建模分析概览】顶部会出现【参数已自动调整】，写明从几调到几、调了几次。关键词算好以后，报告的【主题关键词权重】【主题词权重排名】和【主题—关键词得分矩阵】分别用条形图、排名曲线和矩阵展示它们。

关键词表是一串排好序的词，比如【租金 首付 公积金 通勤 学区 房东】。研究者读到这串词，会自己把它们归成一件事，也许叫【住房负担与居住选择】。这个归纳出来的名字，就是抽象标签。

主题标注（Topic Labeling）是主题模型研究里的一个专门问题。Mei、Shen 和 Zhai 2007 年最早系统研究自动给主题起名，先从语料里找出候选短语，再按候选短语和主题词分布的语义相关程度挑出最合适的一个。Lau 等人 2011 年把候选名扩展到维基百科的条目标题，再用排序模型挑选。大语言模型出现以后，直接读关键词和原文、概括出一个短名字，成了常见做法。

主题名把研究者的解读压缩成几个字，方便在报告、论文和编码表里指称一个主题。它本身就是一种解读，读的时候要和关键词、代表原文对照着看。关键词告诉你这个主题里常出现什么词，原文告诉你这些词在谈什么。

TATOOLS 给每个主题起名分三步。

所有主题同时起名。生成的名字不符合要求时，这个主题显示为【主题 N】。

【所属行业】给语言模型一个领域背景，工具页上有 13 个选项，从通用领域到政府与政策都有。同一组关键词放在不同领域里，会读出不同的意思。

主题名在报告里多处出现。【这份结果说明了什么】列出前几个主题名，【主题建模分析概览】的【主题与关键词】把每个主题名和它的关键词放在一起。【主题分布散点图】和【文档片段分布图】勾选【显示主题标签】后，名字直接标在图上。追问时，TATOOLS 也靠主题名认出问题点到了哪个主题。

TATOOLS 还会为每个主题另起一个章节或编码名称，写在【章节或编码名称草案】表里，这个名字更适合直接用作论文小节标题或编码表条目。这张表同时按主题片段占全部片段的比例给出建议位置。

TATOOLS 的【BERTopic 主题聚类】把流水线每一步的设置都放在了工具页上。常用的设置在页面上方，降维、聚类和关键词的细节参数在【自定义参数】卡片里，【参数预设】选中【自定义参数】后就能逐项修改。下表按工具页从上到下的顺序列出这些设置。

按研究需要调参数，可以从下面几种情况入手。

同一批材料换一组设置再跑一次，会得到一份新的结果，比较几次运行时可以参考下一节的模型评估分数。

TATOOLS 报告的【主题建模分析概览】给出【模型评估综合分】和【模型评估等级】，下面的【各项评分】列出六项分数。综合分是六项分数的加权平均。

按上表的顺序给六项分数假设一组数值，代入公式手算一遍。

67.7% 落在良好一档。这个分数衡量的是聚类结构和参数设置，同一批材料换几组设置各跑一次，可以用它比较哪次运行的结构更清楚。主题名起得贴不贴切、主题对研究问题有没有用，要回到代表原文里判断。

TATOOLS 的报告从上到下排了十几个区块，主题编辑、时间演化和追问放在后面两部分讲，其余区块可以分五层读。

几个区块要多看一眼。

一份结果有 12 个主题，读完代表原文，研究者往往会有自己的判断。主题 2【保障房申请流程】和主题 5【公租房轮候】，对这项研究来说是同一件事；主题 8 里一半片段谈养老床位，一半谈医保报销；主题 11 全是会议通知里的套话。这三个问题可以直接在报告里处理，前面的计算都不用重做。

研究者看完模型给的结果，动手调整，再让模型重新算，是主题模型研究里专门讨论过的做法。Hu、Boyd-Graber、Satinoff 和 Smith 2014 年提出交互式主题模型，让使用者告诉模型哪些词应该放在一起。Smith 等人 2018 年做了一套可以合并和拆分主题的系统，还请用户试用，检验这些改法是否顺手。做质性研究的人对这件事更熟悉，编码的合并与拆分本来就是整理编码本的常规步骤，Saldaña 的《质性研究编码手册》里，第二轮编码的主要工作之一就是把第一轮的编码归并和重新分类。

TATOOLS 改主题时，已经生成的结果保持原样，每次改动生成一个新版本。

新版本直接沿用上一版的语义向量、降维坐标和聚类结果，只按你的改动改写主题归属。没有被改的主题，片段一个都不变，两个版本之间的差别只来自你的改动。

合并

合并把几个主题的片段并成一个主题。

主题 2 有 48 个片段，主题 5 有 22 个，合并后的新主题有 48 + 22 = 70 个片段。合并至少要选 2 个主题。合并后的主题可以自己起名字，不起名字，TATOOLS 按合并后的关键词重新生成一个。

拆分

拆分在一个主题内部重新分组。TATOOLS 取这个主题所有片段的降维坐标，用 K 均值分成 p 组，p 可以是 2 到 5。K 均值要找一种分法，让每组片段到本组中心的距离平方和最小。

用一维坐标手算，某个主题 6 个片段的坐标如下，拆成 2 组。

分法一的平方和小得多，K 均值会选它。拆出来的每个子主题至少要有 2 个片段，所以一个主题至少要有 2p 个片段才能拆成 p 组，片段不够时，编辑栏会标出【片段不足】。拆分的起点是固定的，同一个主题拆成同样的组数，每次结果都一样。子主题的名字由 TATOOLS 重新生成。

移出

移出把一个主题的片段全部归入离群片段，适合处理套话、格式文字这类和研究无关的主题。

400 个片段里原有 32 个离群片段，占比 32 / 400 = 8.0%。移出一个有 15 个片段的主题以后，离群片段变成 47 个，占比 47 / 400 = 11.75%，报告显示为 11.8%。

合并、拆分和移出可以放在同一次里一起改，主题数按每项改动加加减减。一个主题一次只能用一种改法，也不能把主题全部移出。

TATOOLS 报告页底部固定着一条编辑栏，左边是【报告版本】下拉框，右边是【编辑报告】和【展开编辑】按钮。展开以后有三个标签页，分别是【合并或移出】【拆分主题】和【时间锚点】，时间锚点放在第三部分讲。

改主题分四步。

已经选过的主题会带上【组 1】【拆 3 份】或【移出】标记，不能再用别的改法，【清空】可以一次撤掉全部改动。新版本还可以接着改，下拉框里写明它基于哪个版本，一版接一版形成版本链。原来的版本一直保留，随时可以切回去看。

没动的主题沿用原来的名字，你已经在笔记和编码表里用过的主题名，在新版本里还是同一个名字。质性研究讲究审计轨迹（Audit Trail，把每一次分析决定记录下来，供别人检查），Lincoln 和 Guba 1985 年把它列为检验研究可靠性和可确认性的手段，每一次分类调整都要留下记录。TATOOLS 为每个新版本保存一份变更摘要，承担的就是这份记录的作用。

新版本的报告靠上的位置多出一个【相对 vN 的变更】区块，N 是上一版的编号。

接着用前面的例子，一共 12 个主题和 400 个片段，其中 32 个是离群片段。同一次里合并主题 2 和主题 5，把主题 8 拆成 3 个，移出有 15 个片段的主题 11，变更摘要顶部的四个数字见下表。

合并表写明新主题由哪几个原主题组成、各有多少片段，命名来源一栏标出【用户命名】或【自动生成】。写论文时，TATOOLS 的这份摘要可以直接整理成附录里的主题调整记录。

一份政策回顾里写着【2023 年第一季度，全市新开工保障房……】，一篇访谈里受访者说【去年 10 月我们递交了申请】。这些时间表达说明了片段在谈哪个时期的事。把每个主题的片段里提到的时间汇总起来，就能看出每个主题主要在讲哪段时期。

主题演化分析（Topic Evolution）研究主题怎样随时间出现、增强和消退。Blei 和 Lafferty 2006 年提出动态主题模型，让主题的词分布随时间片变化；Wang 和 McCallum 同年提出 Topics over Time（主题随时间模型），把时间戳当成和词一起生成的变量。这两种做法都要求每篇文档带一个时间戳。TATOOLS 走的是另一条路，从原文里的时间表达读出时间，再按主题汇总到月份。

识别时间表达并换算成标准日期，是自然语言处理里的一项基础任务，TimeML 标注规范（Pustejovsky 等，2003）把它分成识别和归一化两步。原文里的时间表达分三类，处理方式各不相同。

时间锚点是换算相对时间用的参照日期。【去年 10 月】写在 2024 年的材料里是 2023 年 10 月，写在 2019 年的材料里是 2018 年 10 月。TATOOLS 给每份源文件定一个锚点，同一份文件的片段共用这个锚点，按四级顺序确定。

四步都没能确定锚点的文件，里面的相对时间不计入时间轴。

每个时间表达换算成它覆盖的月份，权重平均分到这些月份上。把一个主题所有片段里的时间表达分到某个月的权重加起来，就是这个主题在这个月的时间权重。

手算一个例子。主题 3 的片段里识别出三个时间表达，所在文件的锚点是 2024 年 6 月。

主题 3 的峰值在 2023 年 3 月。

这条曲线记录的是各主题的片段提到了哪些月份。回忆录、政策回顾和历史叙述把时间写在正文里，用这条曲线能看出每个主题讲的是哪段时期的事，也能看出不同主题在时间上怎样前后衔接。TATOOLS 把时间统一汇总到月份，跨度超过 60 个月的表达，比如【上世纪】，展开后会铺满几百个月，不计入时间轴。

TATOOLS 报告的【主题时间演化（月份精度）】区块，最上面是四个统计卡片。

卡片下面是【时间锚点来源】条，按【自动确定】【全局基准】和【未确定】三段显示各有多少份文件。

曲线图上方可以在【主题筛选】里勾选要看的主题。【显示模式】有【偏移显示】【分离线图】和【堆叠图】三种，【时间轴】可以选【统一时间轴】或【各主题独立】。纵轴是时间权重，鼠标停在数据点上，能看到这个月计入了哪些时间表达，涉及几个片段。

【各主题时间分布】表每行一个主题，列出【出现时间跨度】【最高权重月份】【峰值位置】和【有记录月份数】。【原文中的时间表达明细】列出每个时间表达出现的次数、换算成的月份和处理状态，还有它前后 30 个字符的原文上下文。

区块底部的【时间汇总口径】写明了这几条规则。核对某个月的峰值时，先在明细表里找到对应的时间表达，再看上下文里它指的是不是这个主题谈的那件事。

一份访谈稿开头写着【1998 年房改以后，单位就不再分房了】，访谈时间是 2024 年 6 月。按第一步的规则，这份文件的锚点定在了 1998 年，文中的【去年 10 月】被换算成了 1997 年 10 月。

打开编辑栏的【时间锚点】标签页，表格列出每份源文件的片段数、当前锚点和来源。

在这份文件的【设置为】里选 2024 年 6 月 15 日，生成新版本。新版本沿用已经识别出的时间表达，只按新锚点重新换算相对时间，【去年 10 月】变成 2023 年 10 月，绝对时间保持不变。表格上方的【全局基准】只作用于还没有锚点的文件。

变更摘要的【时间锚点】部分会列出改过锚点的文件，写明改前改后的锚点和来源。时间锚点可以和合并、拆分放在同一次里改，TATOOLS 一次算出新版本。

读完报告，你手里往往还有很多具体问题。受访者谈公租房轮候时，最常抱怨的是什么？主题 3 在 2023 年 3 月前后集中谈了哪些事？这些问题可以直接在报告的【向这份材料提问】里问 TATOOLS。

直接问通用的 AI 助手，它靠训练时学到的知识作答，依据在哪说不清楚。检索增强生成（Retrieval-Augmented Generation，RAG，先找原文再回答）由 Lewis 等人 2020 年提出，先从材料里找出和问题相关的段落，再要求模型只照着这些段落作答，每句结论都能指回出处。TATOOLS 的追问就是这样做的，检索范围只限你这次上传的材料。

TATOOLS 在任务完成时，就把每个主题的数字和一句话内容概括准备好了。数字包括片段数、占比和排名，有时间数据的还有峰值月份；内容概括由语言模型读过关键词和最有代表性的几个片段后写成。全部原文片段也预先算好了语义向量，换一种说法提问也能搜到，离群片段同样在内。下面几类问题都能直接问。

同一个问题对应好几个主题或好几份文件时，回答会逐项列出，每项给出结论和数字。问数量和排名，回答靠准备好的数字；问具体内容，回答靠搜出来的原文。

一次问答大致是下面这样，材料和回答都是为说明而构造的示例。

报告还按这次的结果给出几个起手问题，比如【占比最大的主题是什么，说了些什么？】，有时间数据时会加上【各主题随时间有什么变化？】，点一下就能问。

你问一句话，TATOOLS 在背后走四步。

编号指向的都是你上传的原文，数字都来自这次的分析结果，两样都能回到报告里核对。

主题名比较长时，问题里不必一字不差。第 1 步的两字组合可以手算。

最省事的办法是用【主题原文片段】里的【就这个主题提问】按钮，点一下，输入框自动填上【主题 N】。

每个版本有自己的提问记录。生成新版本时，片段的语义向量直接沿用，主题名和各主题的数字按新结果重新准备，在新版本上追问，用的就是改过以后的主题。TATOOLS 的公开示例任务里，访客能看到创建者问过的问题和回答，出处可以逐条展开核对。

TATOOLS 报告里有两份直接为写作准备的草案。【章节或编码名称草案】给每个主题一个适合当小节标题或编码条目的名字，附上关键词、片段数和按占比建议的位置。【写作结构草案】按主题组织出论文结果部分的章节结构，每节写明对应的主题编号和论述方向，引用前要回到原文核对。

方法部分要交代的参数，在【主题建模分析概览】的【运行设置】和【下载原始数据】里的参数表都能找到。下载的数据表还包括片段的主题归属和主题清单，章节或编码名称草案和主题原文片段也各有一张表。

下面是一段方法部分的写法示例，方括号里换成自己的数字。

同一批材料想换一个角度看，可以交给 TATOOLS 的【高级LDA主题模型】，比较按词语共现归纳出的主题；想看材料里人物、机构和概念之间的关系，可以用【知识图谱】。