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

词语共现分析做的事情是：在文本中设定一个滑动窗口（左右各 2～15 词），扫描窗口内哪些词反复一起出现，然后用统计方法判断这些共现是否可靠。

处理过程可以理解成三步。

1. 先扫描共现。系统把文本切成词，在每个窗口范围内记录同时出现的词对。支持 2 词、3 词、4 词共现。窗口越大，捕捉的搭配范围越广，但也更容易引入噪音；窗口越小，搭配越精确，但可能遗漏距离稍远的关联。
2. 再计算指标。对每组词对同时给出三种判断：互信息看共现频率是否远超随机水平，T 值看搭配是否具备统计显著性，对数似然比看搭配在文本中有多稳定。三种指标各有侧重，综合判断比单看一个更稳。
3. 最后分组聚类。系统按关联强度把搭配分成极强、紧密、一般等层级，并生成搭配网络图，用节点大小和连线粗细展示核心词对的连接结构。

报告还会标记两个词谁在前、谁在后。这一点很重要：「研究」在「方法」前面和「方法」在「研究」前面，语义方向不同，不能混为一谈。

适用文档

舆情与新闻报道很适合用词语共现分析。当一批报道涉及同一事件或同一主体时，不同媒体的措辞差异往往体现在搭配结构上：消费者报道里「质量」和「投诉」共现，品牌通稿里「质量」和「认证」共现。搭配网络图可以把两套话语结构清晰分开。

学术文献与访谈记录适合。研究者在做文献综述或访谈编码时，经常需要判断几个概念之间是否存在语义关联。共现分析可以提供量化依据：共现次数高且三项指标都显著的词对，关联更可靠；只有一项指标偏高的词对，可能需要更多材料验证。

知识图谱与主题网络的前期准备适合。搭建知识图谱时，实体之间的关系需要从文本中提取。词语共现分析可以作为第一步筛选，把稳定可靠的词对挑出来，再做进一步的关系分类。

政策文本与行业报告适合。政策文件中「监管」和「合规」的搭配频率、行业报告中「增长」和「驱动」的搭配结构，可以反映文件的论述重点和话语倾向。

文本质量方面，文本越长、越完整，共现统计越稳定。很短的片段（几百字以内）会让共现次数偏低，三项指标容易失真。网页导航、脚注、重复模板和乱码会引入虚假共现，通常先清理正文再分析更稳。

语言方面，中文和英文都能处理，但需要先分词。中文分词质量直接影响共现结果，专有名词如果被拆开，会产生不存在的词对。正式分析前，可以先检查分词结果是否合理。

使用步骤

第一步：先明确你要回答的问题。舆情分析通常问「不同来源的搭配结构有什么差异」；访谈研究通常问「这几个概念之间有没有稳定的语义关联」；知识图谱准备通常问「哪些词对值得进一步做关系分类」。问题不同，后面看的指标和配置也不同。

第二步：设置窗口大小。窗口决定多远距离内的共现会被捕捉。2～5 词适合捕捉紧密搭配（如「数据分析」「深度学习」）；8～15 词适合捕捉更松散的话题关联（如「气候变化」和「极端天气」在一句话里出现）。初次使用建议从 5 词开始，再根据结果调整。

第三步：选择共现词数。2 词共现最常见，适合找简单的词对关系。3 词和 4 词共现适合找更复杂的搭配模式，但数据量会更大，结果也需要更多材料支撑。

第四步：阅读词对搭配表。搭配表列出每组词对的共现次数、互信息值、T 值、对数似然比和前后位置关系。先按共现次数排序，看哪些词对出现最频繁；再按互信息或 T 值排序，看哪些搭配最稳定。

第五步：查看分组聚类。系统按关联强度把搭配分成极强、紧密、一般等层级。极强搭配通常是核心术语或固定表达，紧密搭配反映稳定的语义关联，一般搭配可能是偶然共现或需要更多材料验证。

第六步：查看搭配网络图。网络图用节点大小表示共现频率，连线粗细表示关联强度。节点密集的区域通常是文本的核心话题，孤立节点可能是边缘概念或噪音。多文件对比时，可以分别生成网络图，比较不同来源的搭配结构差异。

参数解析与对比示例

可配置参数如下。

四组典型配置供参考。

1. 舆情话语分析。窗口设 5～8，共现词数 2，最低共现次数 3。重点看搭配网络图和跨文件对比，比较不同来源的搭配结构差异。
2. 访谈概念关联。窗口设 3～5，共现词数 2，最低共现次数 2。重点看互信息和 T 值，筛选出统计显著的词对。
3. 知识图谱准备。窗口设 5，共现词数 2，最低共现次数 5。重点看分组聚类中的极强和紧密搭配，作为实体关系的候选。
4. 复杂搭配模式。窗口设 5～8，共现词数 3 或 4，最低共现次数 2。适合找多词搭配结构，但需要更大语料量支撑。

三种指标的含义需要特别注意。互信息衡量共现频率相对随机水平的偏离程度，值越高说明搭配越不可能是碰巧；T 值衡量搭配的统计显著性，受共现次数影响较大，高频词对的 T 值更容易偏高；对数似然比衡量搭配的稳定性，对低频词对更敏感。三项指标综合判断比单看一个更稳，尤其在共现次数不多时，互信息和对数似然比可以补充 T 值的不足。

案例分析

案例一：舆情话语结构对比。

背景：一个舆情分析团队需要梳理某品牌在 30 篇新闻报道中的话语口径。消费者投诉类报道和品牌官方通稿都在讨论「质量」，但读感不同。

配置：窗口设 5，共现词数 2，最低共现次数 3。

结果：搭配表显示消费者报道中「质量」和「投诉」「问题」频繁共现，互信息值偏高；品牌通稿中「质量」更多和「认证」「标准」搭配。搭配网络图把两套话语结构清晰分开，两个网络几乎不重叠。

结论：消费者关注的是质量问题本身，品牌在强调合规背书。团队据此判断两套口径差异明显，舆情应对需要分别制定策略。

案例二：访谈概念关联验证。

背景：一个社会学研究者分析 20 篇访谈记录，想确认「社区」「参与」「信任」三个概念之间是否存在稳定的语义关联，用于指导编码方案。

配置：窗口设 3，共现词数 2，最低共现次数 2。

结果：搭配表显示「社区」和「参与」共现次数高、T 值显著，属于紧密搭配；「社区」和「信任」共现次数中等，但对数似然比偏低，搭配不够稳定；「参与」和「信任」共现很少，三项指标都不显著。

结论：「社区参与」可以作为核心类目，「社区信任」需要更多材料验证，不能把三者默认为等价关联。研究者据此调整了编码方案，优先编码「社区参与」相关内容。

案例三：政策文本论述重点提取。

背景：一个研究团队分析 10 份行业监管政策文件，想了解不同文件的论述重点和话语倾向。

配置：窗口设 8，共现词数 2，最低共现次数 5。

结果：分组聚类显示「监管」和「合规」「风险」构成极强搭配群，「创新」和「发展」「技术」构成另一个搭配群。跨文件对比显示早期文件以「监管」搭配群为主，近期文件「创新」搭配群的共现强度明显上升。

结论：政策话语从强调监管合规逐步转向鼓励创新发展。团队据此在研究报告中增加了政策演变的时间线分析。

类似功能对比

词语共现分析、词语搭配强度分析、关键词抽取都和词语关系有关，但关注点不同。

如果你想看「哪些词经常一起出现」，用词语共现分析。如果你已经有两个词想确认「它们搭不搭配」，用词语搭配强度分析。如果你想知道「这篇文章讲什么」，用关键词抽取。三者可以连续使用：先用关键词抽取找到核心词，再用共现分析看搭配结构，最后对重点词对用搭配强度分析做精细判断。