领域术语抽取完整教程：从词性模板与候选枚举，到 C-value 的嵌套扣减和 NC-value 的上下文加权

手里有三百篇绿色金融方面的政策文件和研究报告，想整理出这个领域的术语表，看看绿色金融产品和碳减排支持工具这些说法各出现了多少次，在什么语境里出现。一个词一个词地读，读不完；按词频排，排在前面的是发展和推进这类单词，真正的术语大多由两三个词组成，被拆散在词频表里。

从文本里自动识别多词术语，叫自动术语识别（Automatic Term Recognition）。TATOOLS 的【领域术语抽取】先按词性模板取出 2 到 8 个词的候选组合，再算两项得分，C-value 看一个候选是不是稳固的术语，并扣掉那些只作为更长术语一部分出现的片段；NC-value 在 C-value 之上加入上下文的权重。每条术语附出现次数、嵌套关系和原文用例，并产出一份可以直接当分词词典用的术语表。

这篇教程先讲术语和普通词组的区别，再讲候选怎样用词性模板取出来，然后用一组绿色金融的例子手算 C-value 和 NC-value，最后讲领域词表和多文件合并，以及报告的读法和论文里的写法。

Kageura 和 Umino 1996 年总结自动术语识别的研究时，区分了两个性质。一是成词性（Unithood），几个词是不是稳定地组合在一起；二是术语性（Termhood），这个组合是不是指称一个领域里的专门概念。

一个好的术语抽取方法，两个性质都要看。只看频次，进一步推进会排在前面；只看成词性，一些总是嵌在长术语里的片段也会混进来。

社会科学里，术语表可以用来梳理一个政策领域的概念体系，比较不同时期或不同机构的用语变化，也可以加进分词词典，让后续的词频、主题和网络分析不再把术语拆散。TATOOLS 的【领域术语抽取】适合处理一批同一领域的材料，材料越多，统计越稳。

术语大多是名词性的短语。Justeson 和 Katz 1995 年分析了多个领域的术语表，发现绝大多数技术术语符合几种固定的词性序列，比如名词加名词、形容词加名词。TATOOLS 先分词并标注词性，再按词性序列模板在每句话里滑动，取出命中模板的连续词组作为候选。

【词性序列模板】默认勾选名词加名词、形容词加名词、名名名、形名名和动词加名词五种，还有名动名等三种可以加上，也可以自己输入模板。模板里的 n 能匹配所有细分的名词，人名、地名和机构名都算。词性模板只对中文有效，英文按词形猜词性，模板基本不影响结果。

候选还要过几道筛选。【最短词数】和【最长词数】限定候选由几个词组成，默认 2 到 5 个；【候选首尾停用词过滤】默认开启，的、和这类词不能出现在候选的开头或结尾；【最低出现次数】默认 3，出现太少的候选不进入打分。

Frantzi、Ananiadou 和 Mima 2000 年提出的 C-value 方法，是自动术语识别里最常用的统计方法之一。它的公式有两种情况。

log₂|a| 给长一点的候选加分，两个词的系数是 1，三个词是 1.585。第二种情况减去的，是包含它的那些长候选平均出现了多少次，扣掉 a 作为别人一部分出现的那部分次数。

用绿色金融的一组候选手算。

按 C-value 排，绿色金融、绿色金融产品、普惠金融排在前面，金融产品得 0。

金融产品出现了 8 次，和绿色金融产品一样多，也就是说它每一次出现，都是作为绿色金融产品的一部分出现的，自己从来没有单独出现过。它只是长术语的一个片段，C-value 把它扣到了 0。

绿色金融出现了 20 次，其中有一部分嵌在两个长术语里，扣掉长术语的平均次数 7 以后还剩 13，说明它大量地单独使用，是一个独立的术语。

没有嵌套扣减，按频次排，一个长术语的每一个片段都会跟着排进前列，前几十名里会塞满同一个术语的各种切法。TATOOLS 的报告里，嵌在更长术语里的术语标着【嵌套】，【嵌套上位词】一栏列出包含它的长术语；【嵌套关系】一块把这些短术语和包含它们的长术语放在一起，一眼能看出哪些短术语的分数被长术语分走了。

术语周围常常有一些固定的伴随词，比如发行、推广、创新。NC-value 在 C-value 的基础上，给经常出现在术语周围的上下文词加权。

已接受术语是 C-value 大于 0 的那些。接着上面的例子，已接受的有四个，发行出现在其中三个的周围，推广出现在其中两个的周围。

一个上下文词出现在越多术语的周围，它越像一个术语指示词，权重越高。NC-value 让那些出现在典型术语语境里的候选排得更靠前。

工具页的【排序算法】可以选 C-value 或 NC-value，默认 C-value，算得更快；NC-value 结合了上下文，更准但稍慢。两项分数每次都会同时计算，报告的表格里都有。

研究者往往已经知道一些术语。【领域术语】里填的词作为必收词，只要在材料里出现，就一定进入结果，不受词性模板和最低出现次数的限制；材料里没有出现的，不会凭空生成。【排除词表】里填的词不进入结果，适合去掉已经确认不是术语的组合。【实体别名】把同一术语的几种写法并成一种再统计，比如把 ESG 投资和环境社会治理投资并到一起。

上传多个文件时，TATOOLS 对每个文件分别抽取和打分，再把结果合并成一张跨文件的总表。

【输出术语数】决定跨文件总表列出前多少条，默认 200，可以在 50 到 1000 之间调；每个文件自己的术语表不做截断。一条术语出现在多个文件里，说明它是这个领域通用的说法；只出现在一两个文件里，可能是某个机构或某段时期特有的提法。

统计方法在材料太少时容易抓到偶然的搭配，总体规模里分词后的词数少于一千时，结果要格外谨慎。【术语候选表】可以按任一列排序，勾上【仅嵌套术语】只看嵌套的术语，点一行就能在下方看到它在原文里的三个句子，判断是不是真的术语。【词性模板分布】显示每种模板贡献了多少条术语，下次可以据此增减模板。

【术语候选表】里勾选若干条，可以一键导出成分词词典。下载的结果里，每个文件都有一份完整术语表和一份分词词典，词典加进其他工具的【自定义词典】，术语就不会再被拆散。

下面是一段方法部分的写法示例，方括号里换成自己的内容。

报告术语时，列出前若干条术语的出现次数、C-value 和它们的上位词，再说明人工核对的标准，读者就能判断术语表的质量。

抽出术语以后，想看某个术语和哪些词固定搭配，可以用 TATOOLS 的【词语搭配强度分析】；想先把被切碎的新词找回来，用【智能发现新词】；想比较两批材料里哪些词用得明显更多，用【语料对比关键词分析】。