[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool:rhetoric-detection":3},{"toolName":4,"taskName":5,"toolComponent":6,"taskDefinition":7,"serverOK":18,"meta":721},"rhetoric-detection","修辞手法检测","RhetoricDetection",[8,25,37,47,56,66,79,87,96,103,112,120,128,135,144,152,163,171,182,188,197,208,217,224,233,240,248,258,265,272,281,286,296,305,312,319,329,336,343,353,363,372,379,385,394,404,411,417,427,434,443,454,461,470,480,488,498,506,513,523,531,538,546,556,564,571,578,588,596,603,611,619,627,636,644,655,663,672,680,690,699,710],{"id":9,"type":10,"name":11,"desp":12,"shortDesp":13,"requiredPoints":14,"billingMode":15,"ladderStepSize":16,"timeout":17,"isActive":18,"category":19,"createdAt":20,"updatedAt":21,"index":22,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":24,"showInMenu":18},"680eb4a7ea456a3c4effabfa","causal-extraction","因果关系推断","智能识别政策措施、机制路径与结果逻辑，支持多类型因果关系分析，广泛应用于政策评估、社会科学研究与文本挖掘领域，仅支持中文","从文本中识别「因为—所以」等因果关系，适合政策与社科分析。",10,"text_ladder",10000,60000000,true,"智能分析",null,"2026-04-16T12:09:38.644Z",0,false,"https:\u002F\u002Ftatools.cn\u002Ftask?name=causal-extraction",{"id":26,"type":27,"name":28,"desp":29,"shortDesp":30,"seoKeywords":31,"requiredPoints":32,"billingMode":15,"ladderStepSize":33,"timeout":34,"isActive":18,"category":35,"createdAt":20,"updatedAt":36,"index":32,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358959ddd2c7c89816b0","clear-text","文本清洗","\u003Cp>从网上抓下来的文本、访谈转录稿、混排文档，往往夹杂着 HTML 标签、多余标点、emoji、零宽字符和各种噪声。这些杂质不影响人眼阅读，但会严重干扰词频统计、主题建模、情感分析等下游任务的准确性。文本清洗工具解决的就是这个问题：把脏文本变成干净的、可直接喂给分析工具的标准输入。\u003C\u002Fp>\u003Cp>\u003Cspan style=\"color: rgb(225, 60, 57);\">标点处理支持按类别精细控制\u003C\u002Fspan>：句末标点、停顿标点、括号引号、连接符可以分别勾选保留或删除，全半角自动统一，连续重复标点自动合并。开启强力清理后自动剥离 HTML 标签并仅保留中文内容，一步到位处理爬虫数据。停用词支持内置词表和自定义词表两种方式。\u003C\u002Fp>\u003Cp>长文本可按 \u003Cstrong>20～500 字的滑动窗口\u003C\u002Fstrong>自动切分为等长片段，解决 LDA、BERTopic 等主题模型对输入段落长度敏感的问题。可设置过短行阈值，过滤掉不足指定字数的碎片行。支持 TXT 和 CSV 两种输入格式，CSV 自动识别文本列进行处理。\u003C\u002Fp>\u003Cp>结果页展示三个维度的清洗效果：\u003Cu>处理概览\u003C\u002Fu>（文件数、行数、空行数、分割片段数）、\u003Cu>字符统计\u003C\u002Fu>（原始字符、清理后字符、删除比率）、\u003Cu>原文与清洗后对照预览\u003C\u002Fu>（被删除内容红色高亮标注），一眼判断清洗是否到位。所有结果可打包下载。\u003C\u002Fp>","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, 文本清洗工具, 文本清洗怎么做, 文本预处理工具, 文本去噪工具, 停用词过滤工具, 标点符号清理, 爬虫数据清洗, 文本规范化处理, CSV文本清洗, 文本分段工具, 中文文本清洗, 语料预处理工具, HTML标签去除, 文本噪声过滤\n",1,40000,1000000,"标准文本处理","2026-06-06T15:11:57.455Z",{"id":38,"type":39,"name":40,"desp":41,"shortDesp":42,"seoKeywords":43,"requiredPoints":44,"timeout":16,"isActive":18,"category":45,"createdAt":46,"updatedAt":46,"index":32,"isBeta":23,"isNew":18,"isHot":18,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c89816fe","image-classification","图像识别与分类","\u003Cp>用于判断图片中的主体、场景和重要对象，解决素材库归类、商品图筛选、社媒图片整理时标签不统一的问题。\u003C\u002Fp>\u003Cp>系统会结合\u003Cstrong>整图分类\u003C\u002Fstrong>、开放标签和\u003Cspan style=\"color: rgb(225, 60, 57);\">重点区域复核\u003C\u002Fspan>，依据主体集中度、区域清晰度和画面复杂度判断结果是否可靠。\u003C\u002Fp>\u003Cp>结果包含\u003Cstrong>主要分类\u003C\u002Fstrong>、置信度、其他可能分类和分类视觉依据，可用于\u003Cu>整理图片库\u003C\u002Fu>、\u003Cu>筛出需人工复核的复杂图片\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>适用于电商商品图归档，也适用于品牌素材、教育图片和研究图片的批量初筛。\u003C\u002Fp>","快速判断图片属于哪一类，并给出置信度。","图像分类, 图像识别, 图片内容识别, 图片标签生成, 商品图分类, 图片素材管理, 社媒图片分析, 视觉分类, 重点区域识别, 深度学习图像识别",2,"图像分析","2026-05-11T07:11:17.343Z",{"id":48,"type":49,"name":50,"desp":51,"shortDesp":52,"requiredPoints":14,"billingMode":15,"ladderStepSize":16,"timeout":53,"isActive":18,"category":19,"createdAt":20,"updatedAt":54,"index":32,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":55,"showInMenu":18},"680eb4bbea456a3c4effac04","position-analysis","立场分析","快速识别政策文本中的利益相关方、立场态度与利益动因，助力政策理解、利益博弈分析与社会科学研究，仅支持中文","识别文本中的利益相关方、立场态度与利益动因。",6000000,"2026-04-16T12:09:46.068Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=position-analysis",{"id":57,"type":58,"name":59,"desp":60,"shortDesp":61,"seoKeywords":62,"requiredPoints":14,"billingMode":15,"ladderStepSize":16,"timeout":63,"isActive":18,"category":19,"createdAt":64,"updatedAt":65,"index":32,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"68bc13a6e114268a6b5313d6","expecta-scope","期待挖掘","\u003Cp>用于识别文本中的需求、建议、目标与期待表达，判断大家最关注哪类期待、哪些诉求更紧急、整体情绪偏正面还是负面。期待类型分布、关键词关系、情感与紧急程度散点，以及逐条期待详情，可用于梳理核心诉求、比较不同期待的热度与紧迫性，并辅助写需求摘要、整理政策目标或汇总用户反馈。适用于产品评价与服务反馈，也适用于政策文本和调研材料中的期待挖掘。\u003C\u002Fp>","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。","期待挖掘, 用户需求分析, 需求文本分析, 政策目标提取, 用户反馈分析, 调研文本分析, 情感与紧急程度, ExpectaScope",12301230,"2025-09-06T10:57:42.042Z","2026-04-16T12:16:13.288Z",{"id":67,"type":68,"name":69,"desp":70,"shortDesp":71,"seoKeywords":72,"requiredPoints":73,"billingMode":74,"ladderStepSize":75,"timeout":16,"isActive":18,"category":76,"createdAt":77,"updatedAt":77,"index":32,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":78,"showInMenu":18},"69ab2c12408e7c3fd626b56f","deep-senti-v3","高级情感分析","\u003Cp>基于深度语义模型的可解释情感分析工具，不只输出正负中性判断，还会对关键词或短语标注情感极性、词性类型及贡献方向，并识别否定结构、程度副词、转折逻辑与反讽等复杂语言现象。逐行情感结果、证据词、触发模式、否定词和核心触发词可用于复核判断、摘录证据、比较不同来源文本的情绪表达；句级推理逻辑以结构化形式呈现，让每一个情感判断都有据可查。适用于舆情监测、用户评论挖掘、社区调研、学术标注，也适用于社交媒体舆情溯源与新闻报道立场分析。\u003C\u002Fp>\u003Cp>\u003Cspan style=\"color: rgb(231, 95, 51);\">\u003Cu>\u003Cstrong>该方式按行计算，单行建议控制在 200 字内，不适合直接分析整段长文。\u003C\u002Fstrong>\u003C\u002Fu>\u003C\u002Fspan>\u003C\u002Fp>","逐句解释文本为何偏正负面，给出证据词和推理逻辑。","DeepSenti V3, 可解释情感分析, 逐句情感分析, 舆情分析工具, 社交媒体情感分析, 新闻立场分析, 证据词识别, 情感推理逻辑",3,"line_ladder",100,"高级文本处理","2026-03-06T19:33:38.342Z","https:\u002F\u002Ftatools.cn\u002Ftask-detail\u002F69ab5259bb4f6436d8c31d1d",{"id":80,"type":81,"name":82,"desp":83,"shortDesp":84,"seoKeywords":85,"requiredPoints":44,"billingMode":15,"ladderStepSize":16,"timeout":16,"isActive":18,"category":76,"createdAt":86,"updatedAt":86,"index":32,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"69f59540f529213a4affd710","aigc-detection","AIGC内容检测","\u003Cp>用于排查中文材料里的\u003Cstrong>AIGC 写作痕迹\u003C\u002Fstrong>，重点不是给一个总分下结论，而是回答哪些段落、哪些句子片段最值得人工复核。\u003C\u002Fp>\u003Cp>系统结合句式规整度、标点节拍、风格指纹、词汇复用、节律偏好与体裁校准等信号，把整体参考、段落热区和句窗异常分开衡量。\u003C\u002Fp>\u003Cp>\u003Cspan style=\"color: rgb(225, 60, 57);\">结果会给出逐段逐句的风险值、主要原因、反证与修改方向\u003C\u002Fspan>，并整理\u003Cu>可复制改稿 Prompt\u003C\u002Fu>和\u003Cu>可复用的SKILL改稿规则\u003C\u002Fu>，供后续写作助手继续修改。\u003C\u002Fp>\u003Cp>适用于论文段落的初筛复核，也适用于自媒体稿、政策材料或技术文档定位模板化表达。\u003C\u002Fp>\u003Cp>当前仅支持中文文档\u003C\u002Fp>","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 检测, AI 生成文本检测, AI 写作痕迹检测, 论文 AI 检测, 文本风险复核, 逐句风险分析, 改稿 Prompt, 改稿规则","2026-05-02T06:10:08.322Z",{"id":88,"type":89,"name":90,"desp":91,"shortDesp":92,"seoKeywords":93,"requiredPoints":32,"timeout":16,"isActive":18,"category":94,"createdAt":95,"updatedAt":95,"index":32,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"6a1f2daef1ca1ca94efa1196","markitdown-export","文档转写导出TXT","\u003Cp>用于把\u003Cstrong>Word、PDF、PPT、Excel\u003C\u002Fstrong>等办公文档统一转换为 Markdown 与TXT纯文本，让原本只能在 Office 里打开的材料变成可搜索、可分析的文本格式。\u003C\u002Fp>\u003Cp>同一批文件会同时输出 \u003Cstrong>.md\u003C\u002Fstrong> 与 \u003Cstrong>.txt\u003C\u002Fstrong> 两种格式；\u003Cspan style=\"color: rgb(225, 60, 57);\">Excel 和 JSON 文件会额外生成 CSV，CSV 文件会额外生成 JSON\u003C\u002Fspan>，一次上传即可拿到多种下游格式。\u003C\u002Fp>\u003Cp>转换保留文档的标题层级、列表结构和表格布局，支持自定义 CSV 分隔符与 JSON 嵌套字段展开选项。\u003C\u002Fp>\u003Cp>适合把会议纪要、调研报告或政策文件快速转成\u003Cu>文本分析可用的输入\u003C\u002Fu>，也适合把 Excel 表格导出为 CSV 以便\u003Cu>统计分析和数据清洗\u003C\u002Fu>。\u003C\u002Fp>","将 Word\u002FPDF\u002FPPT\u002FExcel 等文档统一转写为 Markdown 和纯文本，同时输出多种格式。","文档转写, Markdown转换, PDF转文本, Word转Markdown, Excel转CSV, 文档格式转换, PPT转文本, 办公文档导出, JSON转CSV, 文本提取, 文档预处理, 内容归档","辅助工具","2026-06-10T17:19:45.142Z",{"id":97,"type":98,"name":99,"desp":100,"shortDesp":101,"requiredPoints":44,"timeout":16,"isActive":18,"category":94,"createdAt":20,"updatedAt":102,"index":44,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c89816e9","audio-to-text","语音转文字","支持多种语言，准确识别语音内容，快速生成文字记录，适用于会议记录、字幕制作等场景","把录音、会议等语音转成文字，支持多语言，适合记录与字幕。","2026-02-28T19:44:05.069Z",{"id":104,"type":105,"name":106,"desp":107,"shortDesp":108,"seoKeywords":109,"requiredPoints":44,"timeout":34,"isActive":18,"category":35,"createdAt":20,"updatedAt":110,"index":44,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":111,"showInMenu":18},"6857b258b707b2863e58e981","evaluate-text-quality","文本质量评估器","\u003Cp>做 NLP 项目时最怕拿到一份看起来正常、实际上跑不动的文本：符号占比过高导致分词崩溃、重复行太多让主题模型输出全是噪声、段落没有切分让摘要任务截断在奇怪的位置。这些问题肉眼很难发现，但会直接毁掉下游分析的结果。文本质量评估器解决的就是这个问题：在跑任何分析之前，先用纯统计方法扫一遍，从字符构成、词频分布、句长段长、重复率、信息熵等多个维度量化文本质量，给出一个 0-100 的综合得分和 good\u002Ffair\u002Fpoor 三档评价。\u003Cbr>\u003Cbr>报告分为两个视角。\u003Cspan style=\"color: rgb(225, 60, 57);\">「文本基础概览」面向写作和编辑场景\u003C\u002Fspan>：展示总字数、净字数、词数、唯一词、句数、段数六个规模指标，句长分布直方图（含 P50\u002FP90 分位数和短句\u002F长句占比），词汇丰富度三种学术指标（TTR、MTLD、HD-D）配合雷达图，字符构成饼图（中文\u002F英文\u002F数字\u002F标点\u002F空白\u002F表情占比），以及标点全半角统计。「NLP 任务适用性体检」面向技术场景：展示综合得分，逐项判定文档是否适合做聚类、LDA、BERTopic、命名实体识别、情感分析、抽取式摘要六种任务，以及重复性指标（行重复\u002F词重复\u002Fn-gram 重复）、文本组成分析、词汇质量指标（词汇密度、稀有词得分、新颖性）、结构特征（段落信息熵、平均句长）和信息密度指标。\u003Cbr>\u003Cbr>多文件上传时自动展示横向对比表，按字数、词数、句数、段数、唯一词、TTR、MTLD、HD-D、平均句长九个维度对照，快速发现文件间的差异。每个指标区块都附带算法说明和注意事项，包括适用范围和已知局限。综合得分采用启发式累计扣分：从 100 分起步，符号占比过高扣 15 分、有效字符过少扣 15 分、文本过短扣 15 分、词汇丰富度不足扣 10 分，逐项叠加后给出最终评价。任务适用性只判\"内容是否干净到能跑\"，不预测\"结果好不好\"，门槛只排除空文件、纯符号、极端模板化重复等明显不可用的情况。\u003C\u002Fp>","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。","文本质量评估, 文本体检, 语料质量分析, NLP 数据预筛, 词汇丰富度 TTR MTLD HD-D, 重复率检测, 文本可读性评估, 文本质量检测, NLP文本体检, 文本适用性评估, 语料质量检查, 文本综合评分, 词汇丰富度分析, 文本重复率检测, 段落信息熵, 句长分布分析, 文本质量工具, 语料预处理检查, 文本组成分析, 信息密度指标, 文本结构分析","2026-06-07T07:37:58.014Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=evaluate-text-quality",{"id":113,"type":114,"name":115,"desp":116,"shortDesp":117,"requiredPoints":44,"timeout":34,"isActive":18,"category":45,"createdAt":118,"updatedAt":118,"index":44,"isBeta":23,"isNew":18,"isHot":18,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":119,"showInMenu":18},"6922569bbba109722c8a497d","image-segment-v2","图像语义分割与实例分割","集成了语义分割、实例分割与自动标签打标于一体，可对图像中的所有目标进行精细识别、区域划分与结构化标注。不仅能够处理单类与多类场景，还能自动推断图像内容，对复杂画面进行完整拆解与全面分割。通过统一的智能分析流程，无需依赖传统的多步骤分割工具，即可获得高质量、可直接用于视觉理解与后续处理的图像标注结果。","自动识别图中物体并按类别\u002F实例圈出、打标签。","2025-11-23T00:34:35.849Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=image-segment-v2",{"id":121,"type":122,"name":123,"desp":124,"shortDesp":125,"requiredPoints":14,"billingMode":15,"ladderStepSize":16,"timeout":16,"isActive":18,"category":76,"createdAt":126,"updatedAt":126,"index":44,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":127,"showInMenu":18},"69d84f11057cb3365a6c5331","knowledge-extraction","知识图谱","\u003Cp>\u003Cspan style=\"font-size: 13px;\">系统可自动识别文本中的人物、组织、概念等实体及其相互关系，生成可交互的知识图谱。较长文本会智能分块、逐段抽取后合并结果。开启「聚类优化」可自动合并同义实体与关系，减少重复，让图谱更清晰准确。建议输入包含可区分实体与陈述的内容（避免纯口号或极短文本），合并后不少于 500 字；过长文本会按设定的分块大小切分后抽取。\u003C\u002Fspan>\u003C\u002Fp>\u003Cp>\u003Cspan style=\"font-size: 13px;\">\u003Cu>支持上传最多 5 个 TXT 文件（合并后总字数不超过 10 万字），系统按上传顺序直接拼接后统一处理。\u003C\u002Fu>\u003C\u002Fspan>\u003C\u002Fp>\u003Cp>\u003Cspan style=\"color: rgb(231, 95, 51); font-size: 13px;\">\u003Cstrong>为保证数据准确性，并务必在处理之前删除页码、参考文献等无用信息，推荐使用强力清洗后的文本文件。\u003C\u002Fstrong>\u003C\u002Fspan>\u003C\u002Fp>","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。","2026-04-10T01:14:57.685Z","https:\u002F\u002Ftatools.cn\u002Ftask-detail\u002F69d86723204bbcac91983f46",{"id":129,"type":130,"name":131,"desp":132,"shortDesp":133,"requiredPoints":32,"timeout":16,"isActive":18,"category":94,"createdAt":20,"updatedAt":134,"index":73,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c89816fb","json-to-csv","JSON 转 CSV","自动解析JSON结构，转换为表格格式，支持嵌套JSON，便于数据分析和处理","把 JSON 数据转成表格，支持嵌套结构，便于在 Excel 等中分析。","2026-02-28T19:44:10.987Z",{"id":136,"type":137,"name":138,"desp":139,"shortDesp":140,"seoKeywords":141,"requiredPoints":14,"billingMode":74,"ladderStepSize":75,"timeout":17,"isActive":18,"category":19,"createdAt":20,"updatedAt":142,"index":73,"isBeta":23,"isNew":23,"isHot":18,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":143,"showInMenu":18},"682c8206b9db96f6d4f4ae9b","implicit-sentiment-analysis","隐含情感识别","\u003Cp>对中文文本逐行进行多维度隐含情感分析，识别\u003Cspan style=\"color: rgb(231, 95, 51);\">阴阳怪气、过度捧杀、隐含负面\u003C\u002Fspan>等字面之外的真实态度。结果页展示平均正负面情感、阴阳怪气程度、隐含负面程度等总体统计和正负面情感分布统计表，以及每句话含正面情感、阴阳怪气、表达意图一致性、过度捧杀、赞美真实性、情感类别（10类）、情感强度、情感复杂度、隐含负面、分析置信度等维度的明细表，支持导出CSV。适合社交媒体舆情中识别反讽和隐性攻击，也适合消费者评论中发现表面好评下的真实不满。\u003C\u002Fp>\u003Ch3>\u003Cspan style=\"color: rgb(231, 95, 51);\">\u003Cu>\u003Cstrong>该方式按行计算，单行建议控制在 200 字内，不适合直接分析整段长文，推荐使用强力清洗后的文本文件。\u003C\u002Fstrong>\u003C\u002Fu>\u003C\u002Fspan>\u003C\u002Fh3>","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。","隐含情感分析, 阴阳怪气检测, 过度捧杀识别, 舆情深层分析工具, 评论讽刺识别, 文本言外之意分析, DeepSeek, 多维情感分析, 被动攻击性文本检测","2026-05-11T08:05:18.853Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=implicit-sentiment-analysis",{"id":145,"type":146,"name":147,"desp":148,"shortDesp":149,"requiredPoints":44,"timeout":150,"isActive":18,"category":45,"createdAt":20,"updatedAt":151,"index":73,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":18,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"68668968817e89cf8f431a8e","shot-type","景别判断","景别分析让机器读懂图片“距离感”和信息重心，可量化游客沉浸度、公众关注焦点与城市空间层级；新模型几秒完成批量判断，为社会学、旅游及规划决策提供高效可视数据支撑。","判断照片是特写、近景、中景还是远景，适合批量分析取景。",77777777,"2026-05-11T07:11:17.470Z",{"id":153,"type":154,"name":155,"desp":156,"shortDesp":157,"seoKeywords":158,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":35,"createdAt":160,"updatedAt":161,"index":73,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":162,"showInMenu":18},"69e43e7697717913096d6ce0","text-normalize","中文文本规范化","\u003Cp>用来解决中文文本里繁简混用、引号不统一、全半角混杂等格式问题——统一成\u003Cstrong>出版级规范样式\u003C\u002Fstrong>，并可整篇\u003Cu>转写为拼音\u003C\u002Fu>。与文本清洗互补：本工具做\u003Cstrong>无损统一\u003C\u002Fstrong>（一字不丢、人能读），文本清洗做降噪减字（给下游模型用），建议先规范化、再清洗。\u003C\u002Fp>\u003Cp>\u003Cstrong>繁简转换\u003C\u002Fstrong>支持 9 种模式（繁↔简、繁↔台湾、繁↔港澳、自动检测），\u003Cspan style=\"color: rgb(225, 60, 57);\">按专业自建词典判断上下文，而不是单字一一替换，可正确处理「头发 \u002F 髮」「干 \u002F 乾」等多义字\u003C\u002Fspan>；\u003Cstrong>标点规范化\u003C\u002Fstrong>覆盖 7 项独立规则（全角数字字母转半角、直引号转中文弯引号并配对校验、错配引号修正、省略号统一、破折号统一、多余空白折叠），每项独立计数；\u003Cstrong>数字转正文\u003C\u002Fstrong>用大模型智能判断「数字+中文」组合是否为词（地名、线路、楼号等），将数字转为中文写法避免被清洗误删；\u003Cstrong>拼音\u003C\u002Fstrong>提供声调符号、声调数字、无声调三种形式，并可按词切分以避开多音字误读。\u003C\u002Fp>\u003Cp>报告给出\u003Cu>规范化总览\u003C\u002Fu>（繁简变更数、标点修改数、数字转正文数、拼音覆盖字数）、\u003Cu>标点子项分布条形图\u003C\u002Fu>、每份文件的修改统计（原字数、改后字数、各项变更数），以及\u003Cu>数字转正文记录表\u003C\u002Fu>、\u003Cu>原文与改后并排的修改样例\u003C\u002Fu>与无法自动判定的人工复核警告清单；规范化主文件与拼音 CSV 可整批下载。\u003C\u002Fp>\u003Cp>典型场景：字幕、教材、播报稿、港台稿件出海等发布前的最后一道格式统一；政策文件数字规范化；分词、词频、关键词与聚类等下游分析的预处理步骤。\u003C\u002Fp>","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。","中文文本规范化, 繁简转换工具, 标点规范化, 拼音转写, 中文文本分析工具, 繁体转简体, 简体转繁体, 繁简转换词典, 数字转中文, 拼音标注工具, 文本格式统一, 港台稿件处理, 中文标点纠正, 全半角转换, 文本预处理工具",20000,"2026-04-19T02:31:18.586Z","2026-06-07T07:28:50.601Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=text-normalize",{"id":164,"type":165,"name":166,"desp":167,"shortDesp":168,"seoKeywords":169,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":76,"createdAt":170,"updatedAt":170,"index":73,"isBeta":23,"isNew":18,"isHot":18,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"69e6e78ed2253d7a2aa3702f","stopword-mining","停用词挖掘","\u003Cp>领域语料中常见\u003Cstrong>高频低信息词\u003C\u002Fstrong>在各段近乎均匀散布，仅靠通用停用词表难以盖全本领域特有噪声。\u003C\u002Fp>\u003Cp>按段落比较各词分布与按段长加权的\u003Cstrong>均匀散布基准\u003C\u002Fstrong>；主指标可在\u003Cstrong>Gries DP 或信息熵法\u003C\u002Fstrong>中二选一，并保留另一分数互验。\u003Cspan style=\"color: rgb(225, 60, 57);\">中文按词时对照通用语料词稀有度\u003C\u002Fspan>，以降低\u003Cstrong>专业实词\u003C\u002Fstrong>误判。\u003C\u002Fp>\u003Cp>指标卡区分\u003Cstrong>领域特有候选\u003C\u002Fstrong>与命中已知通用停用词；表内列出频次、分布率、主副分数与词性，散点图同列频次与得分。可据表\u003Cu>收窄自定停用词口径\u003C\u002Fu>，\u003Cu>减轻词频、共现或主题中的背景词干扰\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>适用于判决、合同等文书中反复出现的程序性套语，也适用于医学问诊或客服对话里高频但不承载实质信息的口径词。\u003C\u002Fp>","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, 领域停用词, 语料预处理, 文本挖掘降噪, 主题建模前处理, Gries DP, 信息熵, 逆文档频率","2026-04-21T02:57:18.658Z",{"id":172,"type":173,"name":174,"desp":175,"shortDesp":176,"seoKeywords":177,"requiredPoints":44,"billingMode":15,"ladderStepSize":33,"timeout":178,"isActive":18,"category":35,"createdAt":20,"updatedAt":179,"index":180,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":181,"showInMenu":18},"6804358959ddd2c7c89816b9","pos-tagging","词性标注","\u003Cp>文本里名词占多少、动词占多少、形容词和副词怎么搭配，决定了它读起来像学术论文还是口语对话。词性标注工具解决的就是这个问题：给每个词标上语法类别，再从整体上统计分布、计算相邻词性转移概率、与参考语料横向对比，帮你量化文本的语法结构特征。\u003C\u002Fp>\u003Cp>\u003Cspan style=\"color: rgb(225, 60, 57);\">中文文本同时跑两套标注引擎\u003C\u002Fspan>：分词路径覆盖 60 多种细词性，句法路径覆盖 200 多种细词性，两套结果可以相互参照，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。60 多种细词性自动归并为 14 个粗类（名词、动词、形容词、副词、代词、数词、量词、介词、连词、助词、语气词、叹词、方位词、其他），降低分析门槛。\u003C\u002Fp>\u003Cp>报告包含\u003Cstrong>词性分布柱状图\u003C\u002Fstrong>（分词路径和句法路径可切换）、\u003Cstrong>跨文件热力图\u003C\u002Fstrong>（多文件时自动对比各文件的词性分布差异）、\u003Cu>转移概率矩阵\u003C\u002Fu>（计算相邻词性的条件转移概率，揭示「名词→动词」「形容词→名词」等搭配模式）、\u003Cstrong>基准语料对比\u003C\u002Fstrong>（与学术、新闻、口语、社媒、电商评论、文学作品 6 类参考语料横向对比，计算偏差值，判断文本风格偏向），以及每个词性类别下的\u003Cu>高频例词标签\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>支持按词性筛选导出 CSV 词表和 TXT 实词词典，可直接作为自定义词典、关键词核对表或后续词频统计、共现分析的输入。支持自定义字典、停用词、分词模式和智能词汇识别。\u003C\u002Fp>","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。","词性标注, 中文词性标注, 词性分析, 词类分布统计, 文本词性分析工具, 语料库词性统计, POS tagging, 词性分布分析, 中文词性标注, 语法分析工具, 语料库分析, 词性统计, 转移概率矩阵, 词性分布对比, 中文文本分析工具, 文本语法结构, 词频统计, NLP词性标注, 分词词性标注, 句法分析, 基准语料对比, 实词词典导出, 词性筛选导出, 文本风格分析, 语料库语言学\n",10000000,"2026-06-07T08:48:10.264Z",4,"https:\u002F\u002Ftatools.cn\u002Ftask?name=pos-tagging",{"id":183,"type":184,"name":185,"desp":186,"shortDesp":20,"requiredPoints":32,"timeout":16,"isActive":18,"category":94,"createdAt":20,"updatedAt":187,"index":180,"isBeta":23,"isNew":23,"isHot":18,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":23},"6804358a59ddd2c7c8981707","scel-to-txt","SCEL搜狗输入法词库转txt 字典","在线搜狗SCEL词库转换工具，轻松将搜狗细胞词库转换为TXT文本格式，支持批量转换，快速导出。","2025-12-06T23:00:11.406Z",{"id":189,"type":190,"name":191,"desp":192,"shortDesp":193,"seoKeywords":194,"requiredPoints":14,"billingMode":74,"ladderStepSize":75,"timeout":17,"isActive":18,"category":76,"createdAt":20,"updatedAt":195,"index":180,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":196,"showInMenu":18},"683b648cbd9d9b7781e2bd17","sentence-punctuator","文本结构还原器","\u003Cp>面向\u003Cstrong>句界不清、标点缺失\u003C\u002Fstrong>的中文语料：词与词挤在一起难以通读，也会打乱后续按句统计、按句打标签时的边界。\u003C\u002Fp>\u003Cp>在\u003Cstrong>不增删词、不调换词序\u003C\u002Fstrong>的前提下，依据语义与语法关系判定停顿位置并补上常用句读；长文按语段切段处理后再合并，\u003Cspan style=\"color: rgb(225, 60, 57);\">只补标点与断句，不改变原有用词\u003C\u002Fspan>。\u003C\u002Fp>\u003Cp>结果侧提供\u003Cu>总句数与平均句长\u003C\u002Fu>、\u003Cu>短中长句占比\u003C\u002Fu>及\u003Cu>逐条编号、带字数的句子列表\u003C\u002Fu>，便于判断语料偏口语碎片还是书面长句，并抽样核对停顿是否贴合原意。\u003C\u002Fp>\u003Cp>常见于抓取正文、日志拼接与转写稿的结构修复；也适合在正式建模或编码前，先统一句读以降低下游统计噪声。\u003C\u002Fp>","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。","中文断句, 标点补全, 无标点文本整理, 爬虫语料预处理, 转写稿结构修复, 句子边界, 句长分布, 文本挖掘准备, 语料规范化\n","2026-05-31T18:48:28.363Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=sentence-punctuator",{"id":198,"type":199,"name":200,"desp":201,"shortDesp":202,"seoKeywords":203,"requiredPoints":204,"billingMode":15,"ladderStepSize":16,"timeout":205,"isActive":18,"category":76,"createdAt":20,"updatedAt":206,"index":180,"isBeta":23,"isNew":23,"isHot":18,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":207,"showInMenu":18},"6893ad4923518efe67c0b2c0","bertopic","BERTopic 主题聚类","\u003Cp>用于从大规模文本中识别潜在主题簇，分析议题的集中度、分离度、层级关系与文档归属，并判断不同主题之间是清晰分开、局部重叠还是存在上下位结构。主题标签、关键词权重、主题散点、文档分布、层次聚类树和相似度矩阵可用于构建主题地图、比较主次议题、识别核心主题与边缘主题，并定位哪些文本支撑某个主题判断；质量评估与代表性文本可用于复核结果，支持摘要撰写、汇报展示和论文写作。适用于论文综述，也适用于舆情、用户反馈和政策文本的主题分析。\u003C\u002Fp>","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, 主题建模, BERTopic主题模型, 文本主题分析, 论文主题发现, 舆情主题分析, 政策文本主题建模, 主题聚类工具",5,9999999999,"2026-04-21T02:57:41.879Z","https:\u002F\u002Ftatools.cn\u002Ftask-detail\u002F68ac4cbacff10561d7eed4aa",{"id":209,"type":210,"name":211,"desp":212,"shortDesp":213,"seoKeywords":214,"requiredPoints":73,"billingMode":15,"ladderStepSize":33,"timeout":178,"isActive":18,"category":35,"createdAt":20,"updatedAt":215,"index":204,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":216,"showInMenu":18},"6804358959ddd2c7c89816bc","extract-keywords","关键词抽取","\u003Cp>上传一份或多份文本文件，系统同时运行 \u003Cstrong>TF-IDF\u003C\u002Fstrong> 和 \u003Cstrong>TextRank\u003C\u002Fstrong> 两种算法提取关键词，按权重从高到低排序。TF-IDF 偏好在当前文本中频繁、在其他文本里少见的词；TextRank 基于图排序算法，与更多词语产生共现关系的词权重更高。\u003Cspan style=\"color: rgb(225, 60, 57);\">两种算法自动计算 Spearman 排名相关系数，标注共有词、独有词和差值\u003C\u002Fspan>，让用户在交叉验证中找到最可靠的关键词。\u003C\u002Fp>\u003Cp>可以指定提取 5 到 100 个关键词，支持自定义词典、停用词表和词性筛选。开启智能新词发现后系统会自动识别语料中的未登录词并补充分词词典。多文件时自动生成\u003Cu>跨文档关键词对比表\u003C\u002Fu>，标注共享词、部分共享词和独有词，支持按状态和权重排序筛选。\u003C\u002Fp>\u003Cp>报告包含\u003Cu>词云\u003C\u002Fu>勾画主题轮廓、\u003Cu>权重柱状图\u003C\u002Fu>精确展示 Top 关键词（点击可查看原文上下文片段）、\u003Cu>噪声词过滤面板\u003C\u002Fu>（勾选排除、实时更新图表）、\u003Cu>密度诊断\u003C\u002Fu>（标注堆砌风险词和低频词）和\u003Cu>主题聚类\u003C\u002Fu>（基于关键词相似度自动分组，展示每个聚类的核心词和权重分布）。\u003C\u002Fp>\u003Cp>适合从竞品文章中提取差异化关键词做内容策略，从论文摘要中提炼学科术语，从用户评论中挖掘功能点和痛点，或从政策文本中提炼核心概念。\u003C\u002Fp>","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。","关键词提取, 文本关键词分析, 论文关键词提取工具, 评论关键词挖掘, 文本主题词识别, TF-IDF, TextRank, 文本关键词分析, 关键词挖掘工具, 关键词提取工具, 关键词权重分析, 关键词对比, 关键词密度诊断, 主题聚类分析, 跨文档关键词对比, 关键词上下文, 停用词过滤, 自定义词典关键词提取, 文本主题分析, 竞品关键词分析, SEO关键词工具\n\n","2026-06-07T09:25:11.434Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=extract-keywords",{"id":218,"type":219,"name":220,"desp":221,"shortDesp":222,"requiredPoints":44,"timeout":16,"isActive":18,"category":45,"createdAt":20,"updatedAt":223,"index":204,"isBeta":23,"isNew":23,"isHot":18,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c89816f2","semantic-segment","图像语义分割","智能识别图像中的物体类别，生成像素级别的分割结果，适用于场景理解和图像分析","按物体类别对整张图做像素级分区标注。","2026-05-11T07:11:17.562Z",{"id":225,"type":226,"name":227,"desp":228,"shortDesp":229,"seoKeywords":230,"requiredPoints":204,"billingMode":15,"ladderStepSize":16,"timeout":178,"isActive":18,"category":76,"createdAt":20,"updatedAt":231,"index":204,"isBeta":23,"isNew":23,"isHot":18,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":232,"showInMenu":18},"6804358a59ddd2c7c8981704","lda","LDA 主题模型","\u003Cp>用于从一批文本中提炼若干稳定主题，判断每个主题在讲什么、哪些文档主要属于某个主题，以及不同主题之间是否清晰分开或彼此重叠。主题词、主题一致性、困惑度、文档主题分布、主题相似度矩阵和主题演化可用于概括议题结构、比较主题质量、识别相近主题与边缘主题；多文档对比、预处理统计和异常检测可用于复核结果，并支持摘要撰写、汇报展示和论文写作。适用于论文综述，也适用于新闻、政策文本和用户反馈的主题分析。\u003C\u002Fp>","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。","LDA主题模型, LDA主题建模, 主题分析, 文本主题发现, 论文主题分析, 政策文本主题建模, 新闻主题分析, 文档主题分布","2026-04-21T02:57:41.924Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=lda",{"id":234,"type":235,"name":236,"desp":237,"shortDesp":238,"requiredPoints":32,"timeout":16,"isActive":18,"category":94,"createdAt":20,"updatedAt":239,"index":204,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c898170a","word-to-pdf","Word\u002FExcel\u002FPPT 转 PDF","保持原文档格式，支持批量转换，快速导出高质量PDF文件，支持多种Word格式","Office 文档转 PDF，保持排版，支持批量。","2026-02-28T19:44:37.741Z",{"id":241,"type":242,"name":243,"desp":244,"shortDesp":245,"seoKeywords":246,"requiredPoints":14,"billingMode":15,"ladderStepSize":16,"timeout":247,"isActive":18,"category":19,"index":204,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"6a1f2daef1ca1ca94efa1195","event-timeline","事件时间线抽取","\u003Cp>用于从长篇报道、研究综述、项目纪要或多条新闻摘录里\u003Cstrong>理清「何时发生了什么事」\u003C\u002Fstrong>，把分散在段落中的时间节点与事实性动作对齐为一条可排序的时间线。\u003C\u002Fp>\u003Cp>系统会抽取\u003Cstrong>时间—事件—主体—地点\u003C\u002Fstrong>四要素并归一化日期，\u003Cspan style=\"color: rgb(225, 60, 57);\">模糊时间（如「次年」「上世纪末」）会保留原表述并单独标注\u003C\u002Fspan>；CSV 上传时可指定正文列与日期列。\u003C\u002Fp>\u003Cp>报告给出\u003Cstrong>事件条数\u003C\u002Fstrong>、\u003Cstrong>时间可排序率\u003C\u002Fstrong>、\u003Cstrong>按月事件密度\u003C\u002Fstrong>柱状图和事件明细表，方便你做脉络梳理、年表写作与汇报展示。\u003C\u002Fp>\u003Cp>适合新闻报道的时间线整理、田野调查的事件梳理，输出常用于下一步的\u003Cu>立场分析\u003C\u002Fu>、\u003Cu>主题建模\u003C\u002Fu>或\u003Cu>因果链条梳理\u003C\u002Fu>。\u003C\u002Fp>","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, 时间线生成, 事件抽取, 新闻时间线, 纪要梳理, 年表制作, 事件要素提取, 文本时间分析, 事实抽取, 舆情时间线, 事件脉络梳理, 信息提取",60000,{"id":249,"type":250,"name":251,"desp":252,"shortDesp":253,"seoKeywords":254,"requiredPoints":44,"billingMode":15,"ladderStepSize":33,"timeout":178,"isActive":18,"category":35,"createdAt":20,"updatedAt":255,"index":256,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":257,"showInMenu":18},"6804358959ddd2c7c89816bf","high-frequency-words","高频词提取","\u003Cp>统计每个词的出现次数，找出最常被提到的\u003Cstrong>高频词\u003C\u002Fstrong>。除了单个词，还可以同时统计由 2 到 4 个词组成的\u003Cstrong>固定词组\u003C\u002Fstrong>（如「乡村振兴战略」「数字化转型」），这些词组靠单看一个词很容易漏掉。\u003C\u002Fp>\u003Cp>可以设定词组至少出现几次才算「高频」，\u003Cspan style=\"color: rgb(225, 60, 57);\">还可以按词性结构过滤\u003C\u002Fspan>——比如只保留「名词+名词」「形容词+名词」的组合，去掉「在路上」这类无意义搭配。\u003C\u002Fp>\u003Cp>报告会自动给出一段\u003Cu>关键发现\u003C\u002Fu>，指出哪些词占主导、是否形成稳定搭配、表达是否套路化，并配以词云、面积图和 Top 20 清单。\u003C\u002Fp>\u003Cp>上传多篇文档时，会额外展示\u003Cu>跨文档共有词\u003C\u002Fu>和\u003Cu>单篇独有词\u003C\u002Fu>的分布，看出哪些提法贯穿所有材料、哪些只在某一篇里出现。\u003C\u002Fp>\u003Cp>适合通稿和政策文本里检视提法集中度，问卷开放题里归纳受访者反复提到的主题，或者财报和研报里盘点高频术语。\u003C\u002Fp>","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。","词频统计, 高频词分析, n-gram 分析, 高频词怎么统计, 高频词怎么用, 高频词怎么认, 高频词统计工具, 词频分析工具, 固定词组提取, 文本高频词分析, 词频统计工具, 高频词提取教程, 文本词频分析, 关键词频率统计, 多文档词频对比, 政策文本高频词, 问卷词频分析, 财报术语统计, 词组频率分析, 文本用词分析, 提法集中度分析","2026-06-09T04:28:35.512Z",6,"https:\u002F\u002Ftatools.cn\u002Ftask?name=high-frequency-words",{"id":259,"type":260,"name":261,"desp":262,"shortDesp":263,"requiredPoints":44,"timeout":16,"isActive":18,"category":45,"createdAt":264,"updatedAt":264,"index":256,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":18,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c89816ec","color-extract","图像颜色分布","分析图片配色方案，提取主要颜色，生成色彩调色板，展示颜色分布，适用于设计和图像分析","提取图片主色、生成配色方案并展示颜色分布。","2025-04-19T23:45:14.020Z",{"id":266,"type":267,"name":268,"desp":269,"shortDesp":270,"requiredPoints":32,"timeout":16,"isActive":18,"category":94,"createdAt":20,"updatedAt":271,"index":256,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":23},"6804358a59ddd2c7c898170d","pdf-to-word","PDF 转 word","精准提取PDF文本和排版，转换后保持原格式，支持批量处理，操作简单","从 PDF 中提取文字与排版，转成可编辑的 Word。","2026-02-28T19:44:46.793Z",{"id":273,"type":274,"name":275,"desp":276,"shortDesp":277,"requiredPoints":204,"billingMode":74,"ladderStepSize":75,"timeout":16,"isActive":18,"category":76,"createdAt":278,"updatedAt":279,"index":256,"isBeta":23,"isNew":23,"isHot":18,"isUpdated":18,"enableAcademicMethodsWriteup":23,"example":280,"showInMenu":18},"69b55c168273ff9e23492a32","vad-senti","VAD 三维情感分析","\u003Cp>用于分析文本情感，除积极、中性、消极外，还输出效价（V）、唤醒度（A）、支配度（D）三个维度，帮助区分同为负面却是愤怒、压抑还是无助等不同情绪状态。整体情感占比、VAD 三维均值、Russell 情感空间分布、四象限与逐行结果可用于比较不同文本的情绪结构、识别高唤醒或低控制感内容，并为细读、分组和研究结论提供量化依据。适用于舆情监测中的情绪地图绘制，也适用于访谈、评论和文学语料中的精细情感分析。\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>\u003Cspan style=\"color: rgb(231, 95, 51);\">\u003Cu>\u003Cstrong>该方式按行计算，单行建议控制在 200 字内，不适合直接分析整段长文。\u003C\u002Fstrong>\u003C\u002Fu>\u003C\u002Fspan>\u003C\u002Fp>","分析文本情感，除积极\u002F中性\u002F消极外，输出效价（V）、唤醒度（A）、支配度（D）三个维度。","2026-03-14T16:56:08.686Z","2026-04-21T02:57:41.969Z","https:\u002F\u002Ftatools.cn\u002Ftask-detail\u002F69b5fe5d7dedb15b0bd26e27",{"id":282,"type":4,"name":5,"desp":283,"shortDesp":284,"seoKeywords":285,"requiredPoints":14,"billingMode":15,"ladderStepSize":16,"timeout":247,"isActive":18,"category":19,"index":256,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"6a1f2daef1ca1ca94efa1199","\u003Cp>用于统计演讲稿、散文、教案示例或宣传稿里\u003Cstrong>比喻、拟人、排比、反问、夸张\u003C\u002Fstrong>等手法的用量与分布，看清文本在哪些地方用了修辞、用了哪类修辞。\u003C\u002Fp>\u003Cp>系统会\u003Cstrong>逐句标注\u003C\u002Fstrong>常见修辞类型，依据通行的中学至大学基础语文修辞口径，\u003Cspan style=\"color: rgb(225, 60, 57);\">每句可给出多个修辞标签并附一句释义\u003C\u002Fspan>，方便回到原文核对。\u003C\u002Fp>\u003Cp>报告给出\u003Cstrong>修辞句数\u003C\u002Fstrong>、\u003Cstrong>每千字修辞密度\u003C\u002Fstrong>、各类型占比分布图和逐句标注明细，支持通用、新闻、文学、学术和社交五种语体口径。\u003C\u002Fp>\u003Cp>适合语文教学中的修辞讲评、文风对比研究和内容审校，输出常用于\u003Cu>主题建模\u003C\u002Fu>、\u003Cu>隐喻识别\u003C\u002Fu>或\u003Cu>写作风格分析\u003C\u002Fu>的后续深入。\u003C\u002Fp>","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, 修辞分析, 比喻识别, 排比检测, 反问识别, 拟人检测, 修辞标注, 语文修辞分析, 文风分析, 写作讲评工具, 修辞统计, 文本修辞标注",{"id":287,"type":288,"name":289,"desp":290,"shortDesp":291,"seoKeywords":292,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":178,"isActive":18,"category":35,"createdAt":20,"updatedAt":293,"index":294,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":295,"showInMenu":18},"6804358959ddd2c7c89816c2","entity-recognition","命名实体识别","\u003Cp>用于看清一批文本里反复提到的是\u003Cstrong>哪些人、哪些地方、哪些机构\u003C\u002Fstrong>，以及它们出现的时间与频次，从而梳理报道对象清单、定位关键当事人或核对叙述口径。\u003C\u002Fp>\u003Cp>系统会把具有专有名指代的片段切出来并归到对应类型；除了给出实体本身，\u003Cspan style=\"color: rgb(225, 60, 57);\">还会保留它在原句中的位置，方便回查上下文\u003C\u002Fspan>。\u003C\u002Fp>\u003Cp>报告呈现实体总量、类型占比柱状图与饼图、各类型的\u003Cstrong>热门实体排行\u003C\u002Fstrong>，以及实体长度、每句平均实体数、\u003Cstrong>实体覆盖率\u003C\u002Fstrong>等密度指标；并提供分页的\u003Cu>句子级明细\u003C\u002Fu>，把每条原句和它带类型标签的实体并排展示，便于\u003Cu>挑出需要重点核对的段落\u003C\u002Fu>，或\u003Cu>提炼人物与机构清单\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>适合新闻报道里梳理事件涉及的人物与机构，也适合访谈与政策文本中盘点关键对象，为后续社会网络分析准备名单。\u003C\u002Fp>","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。","命名实体识别, 实体抽取, 人名地名机构识别, 新闻人物机构梳理, 政策文本对象盘点, 访谈关键信息抽取, NER, 实体类型统计, 实体识别工具, 中文命名实体识别, 人名识别, 地名识别, 机构名识别, 时间实体识别, 文本实体抽取, 新闻实体识别, 政策文本实体识别, 访谈实体整理, 舆情实体分析, 实体对照明细, 实体识别CSV导出, TATOOLS命名实体识别","2026-06-11T12:56:33.999Z",7,"https:\u002F\u002Ftatools.cn\u002Ftask?name=entity-recognition",{"id":297,"type":298,"name":299,"desp":300,"shortDesp":301,"seoKeywords":302,"requiredPoints":44,"billingMode":15,"ladderStepSize":16,"timeout":178,"isActive":18,"category":76,"createdAt":20,"updatedAt":303,"index":294,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":304,"showInMenu":18},"6804358959ddd2c7c89816d7","pca","PCA 主成分分析","\u003Cp>用于在大量词语特征中提炼少数几个主成分，判断文本差异主要由哪些变量方向拉开，以及样本之间是聚集、分离还是存在离群点。碎石图、解释方差、载荷图和得分散点图可用于判断保留多少主成分更合适、识别哪些词贡献最大、比较样本结构并发现异常样本；参数建议与图表解读可用于支持后续聚类、分组和结果说明。适用于问卷开放题与访谈语料的结构摸底，也适用于政策文本和评论数据的降维分析。\u003C\u002Fp>","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。","PCA主成分分析, 主成分分析, 文本降维分析, 高维数据降维, 问卷文本分析, 访谈语料分析, 解释方差, 载荷图","2026-04-21T02:57:42.098Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=pca",{"id":306,"type":307,"name":308,"desp":309,"shortDesp":310,"requiredPoints":44,"timeout":16,"isActive":18,"category":45,"createdAt":20,"updatedAt":311,"index":294,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c89816f5","instance-segment","实例分割图像","精确识别和分割图像中的独立物体实例，支持多物体检测，适用于目标检测和场景分析","圈出图中每一个独立物体并区分不同实例。","2026-04-16T10:38:09.520Z",{"id":313,"type":314,"name":315,"desp":316,"shortDesp":317,"requiredPoints":32,"timeout":16,"isActive":18,"category":94,"createdAt":20,"updatedAt":318,"index":294,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c8981710","excel-to-csv","EXCEL 转 CSV","快速将Excel文件转换为CSV格式，支持多表格转换，保持数据完整性，可自定义分隔符，适用于数据分析场景","把 Excel 表另存为 CSV，支持多表、自定义分隔符。","2026-02-28T19:44:53.494Z",{"id":320,"type":321,"name":322,"desp":323,"shortDesp":324,"seoKeywords":325,"requiredPoints":180,"billingMode":15,"ladderStepSize":16,"timeout":178,"isActive":18,"category":76,"createdAt":20,"updatedAt":326,"index":327,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":328,"showInMenu":18},"6804358a59ddd2c7c89816e6","text-cluster","高级文本聚类","\u003Cp>用于从一批文本中找出自然形成的主题群，判断材料是集中在少数议题，还是分成几组彼此区分明显的表达。聚类分布、每类关键词、占比和质量评估可用于概括主题结构、比较主题边界、识别重叠或失衡分组，并为调整分类口径、写摘要和筛选重点材料提供依据。适用于用户反馈归类，也适用于访谈与舆情文本的议题分群。\u003C\u002Fp>","对大批量文本做语义聚类，自动发现主题与结构。","文本聚类, 主题分群, 无监督聚类, 用户反馈归类, 舆情主题分析, 访谈文本分组, TF-IDF, Word2Vec","2026-04-16T12:03:56.916Z",8,"https:\u002F\u002Ftatools.cn\u002Ftask?name=text-cluster",{"id":330,"type":331,"name":332,"desp":333,"shortDesp":334,"requiredPoints":44,"timeout":16,"isActive":18,"category":45,"createdAt":20,"updatedAt":335,"index":327,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c8981701","image-classification-predefined","预设分类图像分类","基于预训练模型的图像分类工具，提供常见场景快速分类，高准确率识别，支持批量处理图片","按你设定的类别给图片打标签，适合固定场景。","2026-05-11T07:11:17.608Z",{"id":337,"type":338,"name":339,"desp":340,"shortDesp":341,"requiredPoints":32,"timeout":16,"isActive":18,"category":94,"createdAt":20,"updatedAt":342,"index":327,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c8981713","csv-to-excel","CSV 转 EXCEL","CSV文件转Excel工具，自动识别分隔符，支持多种编码格式，转换后保持数据格式，方便数据管理和分析","把 CSV 转成 Excel，自动识别分隔符与编码。","2026-02-28T19:45:06.903Z",{"id":344,"type":345,"name":346,"desp":347,"shortDesp":348,"seoKeywords":349,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":35,"createdAt":350,"updatedAt":351,"index":327,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":352,"showInMenu":18},"69e6f4ac7aad75b1071762ea","style-fingerprint","文体风格指纹","\u003Cp>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。这些读感判断往往是准的，但落到修改时还需要更具体的依据：问题是句长波动大，还是标点太密；是第一人称过多，还是连词太少让逻辑显得跳跃。\u003C\u002Fp>\u003Cp>文体风格指纹会从句长、句型、词汇结构、词性分布、标点密度和人称代词使用率等维度生成写作画像。\u003Cspan style=\"color: rgb(225, 60, 57);\">核心价值是把模糊读感拆成可讨论、可修改的风格线索\u003C\u002Fspan>，让每个角色的判断都能落到具体指标上。\u003C\u002Fp>\u003Cp>单篇文章可以看自身画像，多篇版本可以看修改前后的风格变化；长文还可以观察段落级波动。系统会计算平均句长、句长波动、疑问和感叹比例、虚实词比例、标点密度、人称代词密度等指标，并按参照对象给出偏离提示。\u003C\u002Fp>\u003Cp>报告页展示\u003Cu>顶部解读\u003C\u002Fu>、\u003Cu>风格雷达图\u003C\u002Fu>、\u003Cu>段落级风格波动曲线\u003C\u002Fu>、\u003Cu>逐特征表\u003C\u002Fu>、\u003Cu>异常维度提示\u003C\u002Fu>和\u003Cu>基准对比\u003C\u002Fu>。它不做作者鉴定，也不把最高分直接说成相似；只有超过明确阈值才给出风格相似或不相似的统计线索。\u003C\u002Fp>","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。","文体风格指纹, 写作风格分析, 文体风格分析工具, 文本风格对比, 文章风格检测, 句长分析, 标点密度分析, 词性分布分析, 人称代词分析, 改稿前后对照, 多来源稿件统一, 作者风格研究, 翻译风格评估, 文本风格雷达图, TATOOLS文体风格指纹\n, 词性分布, z-score","2026-04-21T03:53:16.390Z","2026-06-11T13:53:57.987Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=style-fingerprint",{"id":354,"type":355,"name":356,"desp":357,"shortDesp":358,"seoKeywords":359,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":178,"isActive":18,"category":35,"createdAt":20,"updatedAt":360,"index":361,"isBeta":23,"isNew":23,"isHot":18,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":362,"showInMenu":18},"6804358959ddd2c7c89816c5","word-co-occurrence","词语共现分析","\u003Cp>系统会在指定的窗口范围内（左右各 2～15 词）扫描词语的\u003Cstrong>共现关系\u003C\u002Fstrong>，找出反复一起出现的词对。对每组词对同时给出三种判断指标：\u003Cstrong>互信息\u003C\u002Fstrong>看共现是否远超随机水平，\u003Cstrong>T 值\u003C\u002Fstrong>看搭配是否具备统计显著性，\u003Cstrong>对数似然比\u003C\u002Fstrong>看搭配在文本里有多稳定。\u003Cspan style=\"color: rgb(225, 60, 57);\">还会标记两个词谁在前、谁在后\u003C\u002Fspan>，避免把方向相反的搭配混为一谈。\u003C\u002Fp>\u003Cp>支持 2 词、3 词、4 词的共现分析，窗口大小可自由调节。报告呈现完整的\u003Cu>词对搭配表\u003C\u002Fu>（次数 + 三项指标 + 位置关系），并按关联强度自动\u003Cu>分组聚类\u003C\u002Fu>，把极强、紧密、一般等不同层级的搭配分别列出。报告还会生成\u003Cu>搭配网络图\u003C\u002Fu>，用节点大小和连线粗细直观展示核心词对的连接结构。\u003C\u002Fp>\u003Cp>多文件时支持跨文件搭配对比，可以看到同一批词对在不同文本里的共现强度是否一致。适合在舆情与新闻报道中梳理话语口径，在学术文献与访谈中提取概念间的语义关联，或者为知识图谱与主题网络准备搭配数据。\u003C\u002Fp>","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, 词共现, 词对搭配, 媒体话语口径分析, 学术语义关联分析, 互信息, T-score, 对数似然比, 词对搭配分析, 共现关系分析, 互信息搭配, T值搭配显著性, 对数似然比, 搭配网络图, 词语搭配强度, 跨文件搭配对比, 舆情话语分析, 学术文献语义关联, 知识图谱搭配数据, 主题网络分析, TATOOLS词语共现分析","2026-06-13T03:05:01.776Z",9,"https:\u002F\u002Ftatools.cn\u002Ftask?name=word-co-occurrence",{"id":364,"type":365,"name":366,"desp":367,"shortDesp":368,"seoKeywords":369,"requiredPoints":44,"billingMode":15,"ladderStepSize":16,"timeout":178,"isActive":18,"category":76,"createdAt":20,"updatedAt":370,"index":361,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":371,"showInMenu":18},"6804358959ddd2c7c89816da","lsa","LSA 潜在语义分析","\u003Cp>用于把长文本或多段材料压缩成少数语义方向，判断语料主要围绕哪些主题展开、哪些主题彼此接近或重叠。主题词、主题占比、代表性段落、方差贡献、主题相似度与词汇关系可用于概括议题结构、核对主题边界、筛出能支撑判断的关键段落，并辅助写摘要、做对比和整理汇报。适用于访谈逐字稿梳理，也适用于评论反馈与政策材料的主题归纳。\u003C\u002Fp>","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。","LSA, 潜在语义分析, LSA主题模型, 文本主题分析, 语义主题发现, 访谈文本分析, 评论主题归纳, 主题相似度分析","2026-04-16T12:05:12.645Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=lsa",{"id":373,"type":374,"name":375,"desp":376,"shortDesp":377,"requiredPoints":32,"timeout":16,"isActive":18,"category":94,"createdAt":20,"updatedAt":378,"index":361,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c8981716","txt-to-csv","TXT 转 CSV","文本文件转CSV工具，自动处理分隔符，支持多种文本格式，保持数据结构，便于数据导入和分析","按分隔符把文本转成表格，便于导入与分析。","2026-02-28T19:45:11.474Z",{"id":380,"type":381,"name":382,"desp":382,"shortDesp":20,"requiredPoints":44,"timeout":383,"isActive":18,"category":45,"createdAt":20,"updatedAt":384,"index":361,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":23},"692bdfe0b05f53c9b5aed997","shot-type-v2","景别判断 V2",123123,"2026-05-11T07:11:17.656Z",{"id":386,"type":387,"name":388,"desp":389,"shortDesp":390,"seoKeywords":391,"requiredPoints":73,"billingMode":15,"ladderStepSize":159,"timeout":178,"isActive":18,"category":35,"createdAt":392,"updatedAt":392,"index":14,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":393,"showInMenu":18},"6804358959ddd2c7c89816c8","dependency","依存句法分析","\u003Cp>用于看清一段中文文本是怎么「搭」出来的——每句话的\u003Cstrong>主语、谓语、宾语\u003C\u002Fstrong>分别是哪几个词，哪些词在修饰主干，从而判断句子骨架和长难句的难点所在。\u003C\u002Fp>\u003Cp>系统会逐句进行\u003Cstrong>依存句法分析\u003C\u002Fstrong>，把每个词指向它所修饰或所依赖的另一个词，并标出关系类型（主谓、动宾、定中、状中等）；\u003Cspan style=\"color: rgb(225, 60, 57);\">所有结果以可视化依存关系图直接呈现\u003C\u002Fspan>，并给出每句的最大依赖深度与关系类型数。\u003C\u002Fp>\u003Cp>报告给出总句数、平均句长和\u003Cstrong>句法复杂度评分\u003C\u002Fstrong>，按比例呈现各类\u003Cu>依存关系\u003C\u002Fu>的占比，并把全文句子自动分成\u003Cu>简单句 \u002F 中等复杂句 \u002F 复杂句\u003C\u002Fu>三档；多句文本支持分页浏览每一棵\u003Cu>依存树\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>适合语言学课堂里讲解汉语句法结构与常见关系类型，也适合在政策与新闻文本中识别长难句、改写不通顺的表达。\u003C\u002Fp>","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, 中文依存句法, 句法结构分析, 句法复杂度评分, 长难句分析, 政策文本句式分析, dependency parsing, 依存树","2025-04-19T23:45:13.969Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=dependency",{"id":395,"type":396,"name":397,"desp":398,"shortDesp":399,"seoKeywords":400,"requiredPoints":14,"billingMode":15,"ladderStepSize":401,"timeout":178,"isActive":18,"category":76,"createdAt":20,"updatedAt":402,"index":14,"isBeta":23,"isNew":23,"isHot":18,"isUpdated":18,"enableAcademicMethodsWriteup":23,"example":403,"showInMenu":18},"6814a62f8a5779fdedb60977","find-new-words","智能发现新词","\u003Cp>用于从中文语料里找出常规分词不易识别的组合词，回答哪些术语、机构名、地名、人名或流行表达被切碎了。得到的新词数量与词目列表，可用于补充领域词典、统一研究口径、复核分词边界，并为后续词频、主题或实体分析减少噪声。适用于访谈和问卷中的本地简称整理，也适用于行业评论与社交内容中的新词补充。\u003C\u002Fp>","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。","新词发现, 新词识别, 领域词典补充, 专业术语提取, 中文分词优化, 访谈文本分析, 评论文本预处理, jieba新词发现",5000,"2026-05-17T01:57:54.911Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=find-new-words",{"id":405,"type":406,"name":407,"desp":408,"shortDesp":409,"requiredPoints":204,"timeout":383,"isActive":18,"category":94,"createdAt":410,"updatedAt":410,"index":14,"isBeta":23,"isNew":18,"isHot":18,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"692bd713b05f53c9b5aec5d0","ocr","智能OCR","本工具提供强大的OCR（光学字符识别）功能，能够智能识别图片和PDF文件中的多种内容类型，包括普通文字、数学公式、表格结构等复杂元素，并支持一次性导出为DOCX、Markdown、HTML、TXT四种常用格式，满足不同场景下的文档处理需求，轻松实现从图像到可编辑文档的快速转换","把图片或 PDF 里的文字、公式、表格识别出来，导出为可编辑文档。","2025-11-30T05:33:07.668Z",{"id":412,"type":413,"name":414,"desp":415,"shortDesp":20,"requiredPoints":44,"timeout":383,"isActive":18,"category":45,"createdAt":416,"updatedAt":416,"index":14,"isBeta":23,"isNew":18,"isHot":18,"isUpdated":18,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":23},"69944cfbba30b7aec312276c","color-extract-v2","可感知图片颜色分布","像人一样感受颜色——输出可量化的感知向量，支持「找相似风格图片」「按冷暖饱和度筛选」「莫兰迪\u002F多巴胺风格聚类」，替代传统色值算法。","2026-02-17T11:11:55.518Z",{"id":418,"type":419,"name":420,"desp":421,"shortDesp":422,"seoKeywords":423,"requiredPoints":73,"billingMode":15,"ladderStepSize":33,"timeout":178,"isActive":18,"category":35,"createdAt":20,"updatedAt":424,"index":425,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":426,"showInMenu":18},"6804358959ddd2c7c89816dd","text-matrix","文本矩阵分析","\u003Cp>系统会把文本切成文档段、统计词频并做 TF-IDF 加权，挑出在本批材料中\u003Cspan style=\"color: rgb(225, 60, 57);\">区分度最高的前 N 个核心词\u003C\u002Fspan>（10～50 个可调），再基于文档段级共现构建这些词之间的\u003Cstrong>邻接强度矩阵\u003C\u002Fstrong>和\u003Cstrong>关系网络图\u003C\u002Fstrong>。\u003C\u002Fp>\u003Cp>报告按你选择的\u003Cu>使用场景\u003C\u002Fu>（通用材料梳理、论文综述、问卷开放题、用户反馈、政策与通知、访谈初筛、作文作业）组织阅读顺序和核对问题。可以指定\u003Cstrong>重点关注词\u003C\u002Fstrong>，即使词频不高也会被优先保留在重要词表中。\u003C\u002Fp>\u003Cp>报告同时呈现\u003Cu>重要词条排序条形图\u003C\u002Fu>（按 TF-IDF 重要度 \u002F 词频 \u002F 文档覆盖率可切换）、\u003Cu>词条共现邻接热力图\u003C\u002Fu>、\u003Cu>词汇关系网络图\u003C\u002Fu>（可调节点数 10-30），以及文档长度分布、矩阵稀疏度、文档余弦相似度等统计指标。每条共现词对都配有原文证据定位，可以直接回原文核对关联是否真实成立。\u003C\u002Fp>\u003Cp>适合问卷开放题和用户反馈的快速编码准备、文献综述中确认候选主题词和章节结构、政策文件中识别核心概念与稳定表述，以及访谈材料中为定性编码准备候选概念和核对清单。\u003C\u002Fp>","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。","文本矩阵分析图, 矩阵分析怎么做, 矩阵分析图怎么做, TF-IDF 重要词提取, 词条共现矩阵, 词汇关系网络, 文本编码候选词, 文档相似度分析, 问卷开放题编码, 文献综述主题词, 政策文件概念结构, 访谈编码准备, 文档段切分, 邻接强度热力图, 文本矩阵可视化","2026-06-20T06:14:21.600Z",11,"https:\u002F\u002Ftatools.cn\u002Ftask?name=text-matrix",{"id":428,"type":429,"name":430,"desp":431,"shortDesp":432,"requiredPoints":32,"timeout":16,"isActive":18,"category":94,"createdAt":20,"updatedAt":433,"index":425,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c8981719","word-to-csv","WORD 转 CSV 文件","将Word文档中的表格数据转换为CSV格式，保持数据结构完整，支持批量转换，便于数据分析和处理","把 Word 里的表格转成 CSV 文件。","2026-02-28T19:45:29.650Z",{"id":435,"type":436,"name":437,"desp":438,"shortDesp":439,"seoKeywords":440,"requiredPoints":44,"billingMode":15,"ladderStepSize":16,"timeout":178,"isActive":18,"category":76,"createdAt":20,"updatedAt":441,"index":425,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":442,"showInMenu":18},"6824fe24284c88f37b3af090","lda-perplexity","LDA困惑度计算","\u003Cp>做\u003Cstrong>LDA\u003C\u002Fstrong>前常要敲定\u003Cstrong>主题数\u003C\u002Fstrong>；不当会令主题过粗或过碎。本分析回答「这批文本更适配多少个主题」这一判断问题。\u003C\u002Fp>\u003Cp>在设定的\u003Cstrong>主题数区间\u003C\u002Fstrong>内逐档拟合，\u003Cspan style=\"color: rgb(225, 60, 57);\">同时对照预测难度、主题内一致性与主题间可分性\u003C\u002Fspan>，并结合信息准则衡量拟合与复杂度的折中，形成多条\u003Cstrong>评价曲线\u003C\u002Fstrong>。\u003C\u002Fp>\u003Cp>综合多种信号给出\u003Cstrong>推荐主题数\u003C\u002Fstrong>与解读说明，并汇总\u003Cu>语料与词表规模\u003C\u002Fu>；在样本偏弱时也会\u003Cu>提示结论可靠度\u003C\u002Fu>，便于你在\u003Cu>完善语料后重新建模\u003C\u002Fu>时更有依据。\u003C\u002Fp>\u003Cp>适用于新闻与政策类批量短文，也适用于分章长教材或专著的局面归纳。\u003C\u002Fp>","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主题数, 困惑度分析, 主题建模评估, 文本主题挖掘, 政策文本分析, LDA, 主题一致性, 信息准则, 轮廓系数\n","2026-04-22T07:04:59.863Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=lda-perplexity",{"id":444,"type":445,"name":446,"desp":447,"shortDesp":448,"seoKeywords":449,"requiredPoints":44,"billingMode":74,"ladderStepSize":450,"timeout":178,"isActive":18,"category":35,"createdAt":20,"updatedAt":451,"index":452,"isBeta":23,"isNew":23,"isHot":18,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":453,"showInMenu":18},"6804358959ddd2c7c89816cb","sentiment-analysis","传统情感分析","\u003Cp>评论、问卷开放题和舆情短文本常常需要先做正负中初筛，但通用词典不一定覆盖你的行业表达。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。系统解决的不是复杂语义理解问题，而是把两种词典口径并列展示，并允许用户补充自己的积极词和消极词。\u003C\u002Fp>\u003Cp>系统会对 TXT 或 CSV 文本逐行处理，清理无关字符并过滤过短文本，再分别使用 PySenti 和 CnText 两种词典路线输出 0～1 情感得分和积极、中性、消极标签。\u003Cspan style=\"color: rgb(225, 60, 57);\">核心亮点是两种方法对照、一致率统计和分歧样本展示\u003C\u002Fspan>，方便你判断哪些文本可以快速归类，哪些需要人工复核。\u003C\u002Fp>\u003Cp>页面提供自定义积极词和消极词输入，适合补充课程反馈、商品评论、行业舆情中的专门表达。自定义词典主要用于 PySenti 词典规则口径；CnText 作为另一套内置情绪词典口径并列展示。这个过程是词表补充，不是模型训练，不能替代对反讽、省略和上下文的人工判断。\u003C\u002Fp>\u003Cp>报告页展示\u003Cu>有效行数\u003C\u002Fu>、\u003Cu>两法一致率\u003C\u002Fu>、\u003Cu>PySenti 均分\u003C\u002Fu>、\u003Cu>CnText 均分\u003C\u002Fu>、\u003Cu>情感分布饼图\u003C\u002Fu>、\u003Cu>分数分布柱状图\u003C\u002Fu>、\u003Cu>分歧样本表\u003C\u002Fu>和\u003Cu>热门积极\u002F消极关键词\u003C\u002Fu>。结果适合用于批量初筛、词典口径调试和复核样本定位。\u003C\u002Fp>","识别文本情感倾向，支持自建积极词和消极词。","传统情感分析工具,中文传统情感分析,在线传统情感分析,情感词典,自定义情感词典,积极词,消极词,用户评论传统情感分析,问卷开放题传统情感分析,舆情传统情感分析,PySenti,CnText,情感一致率,分歧样本,CSV传统情感分析,TXT传统情感分析",200,"2026-06-20T06:15:16.375Z",12,"https:\u002F\u002Ftatools.cn\u002Ftask?name=sentiment-analysis",{"id":455,"type":456,"name":457,"desp":458,"shortDesp":459,"requiredPoints":32,"timeout":16,"isActive":18,"category":94,"createdAt":20,"updatedAt":460,"index":452,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c898171c","word-to-txt","Word\u002FPDF\u002FExcel\u002FCSV 转 TXT","快速将Word文档转换为纯文本格式，提取文档内容，去除格式信息，支持批量转换，方便文本分析","从各类文档中提取纯文字，去掉格式，便于做文本分析。","2026-02-28T19:45:45.154Z",{"id":462,"type":463,"name":464,"desp":465,"shortDesp":466,"requiredPoints":44,"billingMode":74,"ladderStepSize":467,"timeout":34,"isActive":18,"category":76,"createdAt":20,"updatedAt":468,"index":452,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":469,"showInMenu":18},"682d5ef5b9db96f6d4f539ba","sentence-info","信息价值评估","\u003Cp>用于比较句子之间的信息价值，判断哪些句子信息更密、更新颖、更值得保留，哪些句子内容空泛或重复。逐句指标表、综合得分和筛选结果可用于摘出高价值原句、压缩冗余材料、整理引文和下一轮分析语料；多项信息指标还能帮助解释一句话为什么值得保留。适用于访谈逐字稿筛句，也适用于新闻、评论和笔记材料的重点提炼。\u003C\u002Fp>\u003Ch3>\u003Cspan style=\"color: rgb(231, 95, 51);\">\u003Cu>\u003Cstrong>该方式按行计算，单行建议控制在 200 字内，不适合直接分析整段长文，推荐使用强力清洗后的文本文件。\u003C\u002Fstrong>\u003C\u002Fu>\u003C\u002Fspan>\u003C\u002Fh3>","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。",1000,"2026-04-21T00:14:16.218Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=sentence-info",{"id":471,"type":472,"name":473,"desp":474,"shortDesp":475,"seoKeywords":476,"requiredPoints":44,"billingMode":74,"ladderStepSize":75,"timeout":477,"isActive":18,"category":35,"createdAt":20,"updatedAt":478,"index":479,"isBeta":23,"isNew":23,"isHot":18,"isUpdated":18,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"68b976b2e114268a6b4fc720","deep-senti","DeepSentiV2深度学习情感分析","\u003Cp>评论、舆情和反馈做情感分析时，靠情感词典逐词加分常常翻车。「价格不便宜但确实耐用」会因为「不便宜」被扣分，反讽和先抑后扬的句子也容易判错。问题不在词，而在词典看不懂整句上下文。DeepSentiV2 深度学习情感分析走语义理解路线，结合上下文判断每一行的整句倾向，而不是逐词查表。\u003C\u002Fp>\u003Cp>系统逐行读取分析文本，清理无关字符并过滤过短文本，再对每行给出 0 到 1 的情感得分，并归类为积极、中性、消极。\u003Cspan style=\"color: rgb(225, 60, 57);\">核心亮点是整句语义判断、语境关键词标注和关键词到原文反查\u003C\u002Fspan>，每个判断都能落回具体句子核对。\u003C\u002Fp>\u003Cp>它提供七种行业模型：通用、电商评论、学术论文、金融财报、医疗健康、社交媒体、客服对话。选对语境后，分析侧重随之调整，电商看商品与物流，金融看风险与措辞信心，社媒识别讽刺反讽。多文件上传时可在综合统计与单文件之间切换对照。\u003C\u002Fp>\u003Cp>报告页展示\u003Cu>有效行数\u003C\u002Fu>、\u003Cu>积极\u002F中性\u002F消极占比\u003C\u002Fu>、\u003Cu>平均情感得分\u003C\u002Fu>、\u003Cu>情感分布饼图\u003C\u002Fu>、\u003Cu>分数分布柱状图\u003C\u002Fu>、\u003Cu>热门积极\u002F消极关键词\u003C\u002Fu>、\u003Cu>情感趋势图\u003C\u002Fu>、\u003Cu>消极行定位\u003C\u002Fu>和\u003Cu>跳过行统计\u003C\u002Fu>。适合做评论分析、舆情初筛和反馈复核，自动分类作为辅助线索，结论仍建议人工确认。\u003C\u002Fp>","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情感分析,深度学习情感分析,语义情感分析,中文情感分析工具,在线情感分析,整句情感分析,上下文情感分析,行业情感模型,电商评论情感分析,社交媒体情感分析,客服反馈情感分析,情感得分,情感趋势分析,消极行定位,CSV情感分析",600000,"2026-06-20T06:16:27.294Z",13,{"id":481,"type":482,"name":483,"desp":484,"shortDesp":485,"requiredPoints":204,"billingMode":15,"ladderStepSize":16,"timeout":486,"isActive":18,"category":76,"createdAt":487,"updatedAt":487,"index":479,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"691bb3b0acf2df2285c3cd89","similarity-dedupe-radar","文本相似度去重雷达","文本相似度去重雷达用语义向量判断句子或段落是否「意思重复」，不是简单查重；可调相似度与聚类粒度，多份材料可一起对照。报告含概览、重复模式雷达、聚类与跨文件统计、高相似文本对和热力矩阵，适合问卷开放题、客服记录、多版稿件等场景快速摸底重复表述。  上传论文、报告等正式文档前，请务必手动删除标题、副标题、摘要、关键词、参考文献、注释、页眉页脚、图题表题等结构性内容，再进行分析。这类文本在语义层面本就高度相似，会被模型大量识别为「重复对」，占据结果中的热力矩阵与高相似列表，掩盖你真正关心的正文内容重复情况。本工具适合分析正文段落与句子之间的语义冗余，清理结构元素后结果才准确。","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）。",111111111,"2025-11-17T23:45:52.059Z",{"id":489,"type":490,"name":491,"desp":492,"shortDesp":493,"seoKeywords":494,"requiredPoints":204,"timeout":495,"isActive":18,"category":35,"createdAt":20,"updatedAt":496,"index":497,"isBeta":23,"isNew":23,"isHot":18,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"68b976d8e114268a6b4fc800","deep-keyword","DeepKeyword 深度学习模型关键词发现","\u003Cp>用于从一篇完整的文章或报告中\u003Cstrong>自动抽取关键词\u003C\u002Fstrong>，按综合得分、原文频次和位置覆盖度排序，找出最能代表全文核心议题的专业术语和关键短语。\u003C\u002Fp>\u003Cp>基于语义窗口分析模型对文本做深度理解，\u003Cspan style=\"color: rgb(225, 60, 57);\">自动处理超长文本的切分与合并，支持自定义词典和停用词\u003C\u002Fspan>；与「关键词抽取」的按行统计不同，本工具针对\u003Cstrong>单篇完整文章\u003C\u002Fstrong>做语义级关键词挖掘。\u003C\u002Fp>\u003Cp>报告给出\u003Cstrong>关键词词云\u003C\u002Fstrong>、\u003Cstrong>专业排行榜\u003C\u002Fstrong>（含得分、频次、可信度依据），以及每个关键词在原文中的出现位置和上下文片段，方便\u003Cu>验证抽取质量\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>适合论文、研报、政策文件等单篇长文的核心议题提取，输出可用于\u003Cu>文献摘要\u003C\u002Fu>、\u003Cu>主题标签\u003C\u002Fu>和\u003Cu>内容索引\u003C\u002Fu>。\u003C\u002Fp>","用语义模型从完整文章中抽取关键词，综合得分、频次和位置排序，适合单篇长文分析。","关键词抽取, DeepKeyword, 文章关键词提取, 关键词发现, 专业术语抽取, 长文关键词, 文本摘要辅助, 论文关键词, 研报关键词, 语义关键词, 自动关键词提取, 中文关键词分析",120000,"2026-06-20T05:52:26.211Z",14,{"id":499,"type":500,"name":501,"desp":502,"shortDesp":503,"seoKeywords":504,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":76,"createdAt":505,"updatedAt":505,"index":497,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"69e5eb547fc1b0691dc5082a","collocation","词语搭配强度分析","\u003Cp>用于在一批语料里区分\"真正的固定搭配\"与\"碰巧同现\"——比如政策关键词周围反复出现的\u003Cstrong>形容词\u003C\u002Fstrong>、品牌名常被用户怎样\u003Cstrong>修饰\u003C\u002Fstrong>、动词在这批材料里的典型\u003Cstrong>宾语\u003C\u002Fstrong>。\u003C\u002Fp>\u003Cp>系统会在候选词对的左右窗口内统计共现次数，对照\"两词独立出现时的理论次数\"，\u003Cspan style=\"color: rgb(225, 60, 57);\">用 7 种主流关联强度指标同时打分\u003C\u002Fspan>（PMI、MI3、LL、T-score、Z-score、Dice、LogDice），把\"的、和、the、of\"这类高频却无意义的功能词从前列剔除。\u003C\u002Fp>\u003Cp>报告同时支持\u003Cstrong>节点模式\u003C\u002Fstrong>（给出中心词的\u003Cu>典型搭配伙伴清单\u003C\u002Fu>与\u003Cu>关系网络图\u003C\u002Fu>）和\u003Cstrong>全局模式\u003C\u002Fstrong>（整批材料中所有\u003Cu>显著的二词组合\u003C\u002Fu>），并提供多指标 Top 20 横向对比，\u003Cu>被多个指标共同推到前列的搭配最不依赖统计口径偏好\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>既适合词典编纂整理地道说法例句，也适合政策研究对比同一关键词周围形容词随时间的变迁。\u003C\u002Fp>","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。","词语搭配分析, 搭配抽取, 节点词搭配, 语料库搭配研究, 品牌评论关键词, 词典编纂, PMI, Log-likelihood, T-score, LogDice","2026-04-20T09:01:08.015Z",{"id":507,"type":508,"name":509,"desp":510,"shortDesp":511,"seoKeywords":512,"requiredPoints":204,"billingMode":15,"ladderStepSize":16,"timeout":247,"isActive":18,"category":76,"index":497,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"6a1f2daef1ca1ca94efa1194","duplicate-content-merge","重复内容合并","\u003Cp>用于把问卷反馈、客服记录或社交媒体评论里\u003Cstrong>意思高度接近\u003C\u002Fstrong>的句子或段落归成组，保留代表句并合并重复表达，减少人工逐条比对的工作量。\u003C\u002Fp>\u003Cp>系统基于\u003Cstrong>语义向量相似度\u003C\u002Fstrong>自动检测重复或近似内容，\u003Cspan style=\"color: rgb(225, 60, 57);\">支持按行或按段落处理\u003C\u002Fspan>，可调节合并严格度（宽松\u002F标准\u002F严格）和最小成组数量，并对超长文本自动分段。\u003C\u002Fp>\u003Cp>报告给出\u003Cstrong>分组概览\u003C\u002Fstrong>、\u003Cstrong>合并方案\u003C\u002Fstrong>与每组的代表文本，附智能建议帮助你判断哪些组值得合并、哪些需要保留差异，完整映射可下载结果文件。\u003C\u002Fp>\u003Cp>适合从大量反馈中\u003Cu>快速提炼核心诉求\u003C\u002Fu>、\u003Cu>归并重复评论\u003C\u002Fu>，也为后续的情感分析和主题建模提供去重后的干净语料。\u003C\u002Fp>","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。","重复内容合并, 语义去重, 文本去重工具, 问卷反馈整理, 评论去重, 相似内容归并, 文本合并, 语义相似度检测, 客服记录整理, 重复段落合并, 文本预处理, 反馈聚类",{"id":514,"type":515,"name":516,"desp":517,"shortDesp":518,"seoKeywords":519,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":178,"isActive":18,"category":35,"createdAt":20,"updatedAt":520,"index":521,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":522,"showInMenu":18},"6804358a59ddd2c7c89816e3","simple-cluster","简单文本聚类","\u003Cp>用于从一批\u003Cstrong>评论、问卷或访谈文本\u003C\u002Fstrong>中自动分出若干主题组，看清材料里到底有哪些主要议题、哪些组之间界限清楚、哪些彼此重叠。\u003C\u002Fp>\u003Cp>提供 \u003Cstrong>KMeans\u003C\u002Fstrong>（适合短文本）与 \u003Cstrong>FastText\u003C\u002Fstrong>（适合长文本）两种聚类方式；分类数可手动指定，\u003Cspan style=\"color: rgb(225, 60, 57);\">也可以让系统按聚类质量自动选择最优 K 值\u003C\u002Fspan>，并支持去重和文档合并方式调整。\u003C\u002Fp>\u003Cp>报告同时给出三类\u003Cu>聚类质量指标\u003C\u002Fu>（轮廓系数、戴维斯-布尔丁指数、卡林斯基-哈拉巴斯指数）及对应解读，并配以规模分布柱状图、二维散点图、相似度热力图、关键词词云、多维雷达图和平行坐标图；每个聚类还会列出关键词、示例句、\u003Cu>代表性文档\u003C\u002Fu>和\u003Cu>改进建议\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>适合问卷开放题归类与用户反馈分组，也适合评论、访谈与舆情语料中初步识别主题群组、为后续编码或主题模型挑选种子。\u003C\u002Fp>","把相似文本自动分到几个主题里，并用多种评估指标和图表判断分组是否清晰。","文本聚类, 自动主题分组, 中文文本聚类, 问卷开放题归类, 评论聚类分析, 舆情主题分组, KMeans, FastText","2026-06-20T05:52:12.332Z",15,"https:\u002F\u002Ftatools.cn\u002Ftask?name=simple-cluster",{"id":524,"type":525,"name":526,"desp":527,"shortDesp":528,"seoKeywords":529,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":76,"createdAt":530,"updatedAt":530,"index":521,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"69e5f4177fc1b0691dc531d0","lexical-diversity","词汇多样性分析","\u003Cp>用于客观量化文本\"\u003Cstrong>用词到底有多丰富、多不重复\u003C\u002Fstrong>\"，把\"这篇写得啰嗦\"\"那篇用词丰富\"这种模糊感受翻译成可比较、可入论文的具体数字。\u003C\u002Fp>\u003Cp>系统会一次性给出 9 项主流学术指标（\u003Cstrong>TTR、MATTR、MSTTR、MTLD、HD-D、vocd-D、Yule's K、Yule's I、Maas a²\u003C\u002Fstrong>），\u003Cspan style=\"color: rgb(225, 60, 57);\">从滑动窗口、分段平均、词频分布等不同口径同时打分\u003C\u002Fspan>，互相印证，避免被文本长度或单一指标偏好误导。\u003C\u002Fp>\u003Cp>报告提供各指标矩阵与等级解读、\u003Cstrong>MATTR 沿位置滑窗曲线\u003C\u002Fstrong>（精确\u003Cu>定位哪一段开始变得啰嗦重复\u003C\u002Fu>）、多文件标准化\u003Cstrong>雷达对比图\u003C\u002Fstrong>，以及基于 9 维向量的\u003Cu>两两余弦相似度矩阵\u003C\u002Fu>，可一眼看出哪几份文本的\u003Cu>丰富度画像最接近\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>常用于教材与读物的难度分级、稿件与版本之间的写作质量筛比，也是作者识别与风格指纹研究的常用预筛指标。\u003C\u002Fp>","标量化文本用词丰富度，并定位哪一段开始变得\"车轱辘话\"。","词汇丰富度, 词汇多样性, 用词重复度分析, 教材难度评估, 作者识别, 风格指纹分析, MTLD, MATTR, HD-D, vocd-D","2026-04-20T09:38:31.137Z",{"id":532,"type":533,"name":534,"desp":535,"shortDesp":536,"seoKeywords":537,"requiredPoints":44,"billingMode":15,"ladderStepSize":16,"timeout":16,"isActive":18,"category":76,"index":521,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"6a1f2daef1ca1ca94efa1197","pca-dimension-reduction","PCA 主成分降维","\u003Cp>用于把\u003Cstrong>多张量表题、运营指标或文本衍生数值\u003C\u002Fstrong>压缩成少数几个综合维度，看清哪些指标方向解释了最多的样本差异，方便做样本排序和分组对比。\u003C\u002Fp>\u003Cp>内部基于\u003Cstrong>线性主成分分析（PCA）\u003C\u002Fstrong>：在可选的标准化前提下，按最大方差方向依次提取正交成分；\u003Cspan style=\"color: rgb(225, 60, 57);\">自动运行 KMO 与 Bartlett 球形检验\u003C\u002Fspan>，帮你判断数据是否适合做 PCA。\u003C\u002Fp>\u003Cp>报告给出\u003Cstrong>方差解释比\u003C\u002Fstrong>、\u003Cstrong>载荷矩阵\u003C\u002Fstrong>、\u003Cstrong>样本得分\u003C\u002Fstrong>与综合排名，附第一\u002F二主成分的二维投影散点图，方便直观查看样本分布。\u003C\u002Fp>\u003Cp>适合问卷量表的结构复核、多维指标的综合评价，输出常用于\u003Cu>后续聚类\u003C\u002Fu>、\u003Cu>相关与回归分析\u003C\u002Fu>。\u003C\u002Fp>","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。","PCA主成分分析, 降维分析, 主成分降维, KMO检验, Bartlett检验, 载荷矩阵, 方差解释, 数据降维工具, 量表结构复核, 综合评价, 多维指标压缩, 样本排序",{"id":539,"type":540,"name":541,"desp":542,"shortDesp":543,"requiredPoints":32,"timeout":16,"isActive":18,"category":94,"createdAt":20,"updatedAt":544,"index":545,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6804358a59ddd2c7c898172b","extract-audio-from-video","视频提取音频","从视频中提取音频文件，支持多种视频格式，快速分离音频轨道，保持音质，可选择输出格式","从视频中导出音频轨道，支持多格式与音质选择。","2026-02-28T19:46:15.929Z",16,{"id":547,"type":548,"name":549,"desp":550,"shortDesp":551,"seoKeywords":552,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":35,"createdAt":553,"updatedAt":554,"index":545,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":555,"showInMenu":18},"69e43ccc97717913096d6557","kwic-concordance","KWIC关键词上下文索引","\u003Cp>用于把每个关键词在原文里出现的\u003Cstrong>左侧 \u002F 关键词 \u002F 右侧\u003C\u002Fstrong>上下文纵向对齐，一眼看出它的固定搭配、惯用说法和典型语境。\u003C\u002Fp>\u003Cp>关键词可以手动录入，\u003Cspan style=\"color: rgb(225, 60, 57);\">也可让系统按词频自动选取，并按词性（名词、动词等）过滤\u003C\u002Fspan>；上下文窗口、子串 \u002F 整词匹配、按出现位置 \u002F 按左侧词 \u002F 按右侧词排序均可调整，\u003Cstrong>按邻接词排序\u003C\u002Fstrong>会自动把相同搭配归到一处。\u003C\u002Fp>\u003Cp>报告先给出一段\u003Cu>关键发现\u003C\u002Fu>——总命中、千字密度、最高频词占比、跨文档覆盖与未命中词；再呈现 \u003Cstrong>KWIC 上下文表\u003C\u002Fstrong>、命中位置分布图（文档里靠前还是靠后）和\u003Cu>关键词配对共现表\u003C\u002Fu>，便于\u003Cu>对比同一术语在不同文档里的用法差异\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>适合政策文件中考察同一术语在不同部门话语里的搭配差异，也适合访谈、评论与文献中归纳某个核心词所处的具体情境。\u003C\u002Fp>","列出每个关键词在原文里的左右上下文，纵向对齐看它的用法、搭配与出现位置。","KWIC, 关键词上下文索引, 语境检索, concordance, 关键词共现分析, 政策话语用词分析, 访谈语境分析, 语料库检索","2026-04-19T02:24:12.795Z","2026-06-07T04:59:02.862Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=kwic-concordance",{"id":557,"type":558,"name":559,"desp":560,"shortDesp":561,"seoKeywords":562,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":76,"createdAt":563,"updatedAt":563,"index":545,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"69e5f59a7fc1b0691dc5389a","term-extraction","领域术语抽取","\u003Cp>用于在一批同领域的文档（论文、政策、合同、教材、产品手册等）里，自动挑出\u003Cstrong>反复出现的\"多字专业说法\"\u003C\u002Fstrong>——那些两个字以上、组合固定、领域内才常用的词组，比如\"支持向量机\"\"卷积神经网络\"\"违约责任条款\"。\u003C\u002Fp>\u003Cp>不是简单按出现次数排序：系统会判断一个词组是不是\u003Cstrong>真的能独立成词\u003C\u002Fstrong>，\u003Cspan style=\"color: rgb(225, 60, 57);\">如果它只是某个更长词组里的一部分（比如\"机器学习\"老和\"机器学习算法\"一起出现），就不会被反复推到榜单前列\u003C\u002Fspan>，免得几个核心字眼霸占整个清单。\u003C\u002Fp>\u003Cp>结果包含\u003Cu>按可信度排好的术语清单\u003C\u002Fu>（每个术语带出现次数、字数、典型构词模式）、\u003Cu>谁是谁的\"上位词\"\u003C\u002Fu>的嵌套关系，以及每个术语在原文里的\u003Cu>真实用例\u003C\u002Fu>方便人工核对；勾选若干条还可\u003Cu>导出成可直接复用的术语词典\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>常用于研究者整理本学科的专业术语清单、律师梳理合同条款、产品 \u002F 知识团队建领域词库，也常作为后续主题分析、知识图谱、文档检索的\"专业词典\"基础。\u003C\u002Fp>","从一批专业文档里自动挑出该领域反复使用的多字术语。","术语抽取, 多词术语提取, 专业术语识别, 领域术语词典, 论文术语整理, 学科术语清单, 合同条款梳理, C-value, NC-value","2026-04-20T09:44:58.533Z",{"id":565,"type":566,"name":567,"desp":568,"shortDesp":569,"seoKeywords":570,"requiredPoints":44,"billingMode":15,"ladderStepSize":16,"timeout":16,"isActive":18,"category":76,"index":545,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"6a1f2daef1ca1ca94efa119a","sample-clustering","样本聚类","\u003Cp>当你有一批\u003Cstrong>受访者、用户、城市或商品\u003C\u002Fstrong>的多列数值指标，想按相似程度自动分成几类时，把 Excel 或 CSV 表格上传给本工具，它会给出每一样本所属类别和各类的平均画像。\u003C\u002Fp>\u003Cp>内部采用\u003Cstrong>K-Means 聚类\u003C\u002Fstrong>：\u003Cspan style=\"color: rgb(225, 60, 57);\">支持自动 K 选择（轮廓系数）或手动指定聚类数\u003C\u002Fspan>，可选标准化消除量纲差异，自动用 PCA 投影生成二维散点图。\u003C\u002Fp>\u003Cp>报告给出\u003Cstrong>轮廓系数\u003C\u002Fstrong>、\u003Cstrong>簇规模均衡比\u003C\u002Fstrong>、各类平均画像对比、\u003Cstrong>组间差异摘要\u003C\u002Fstrong>和可下载的聚类标签文件。\u003C\u002Fp>\u003Cp>适合问卷数据的受访者分群、运营指标的用户分层，输出常用于\u003Cu>交叉表分析\u003C\u002Fu>和\u003Cu>描述性统计\u003C\u002Fu>的后续处理。\u003C\u002Fp>","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。","样本聚类, K-Means聚类, 轮廓系数, 自动聚类, 数据分群, PCA投影, 聚类分析工具, 用户分群, 受访者分层, 样本分类, 数值聚类, 综合评价聚类",{"id":572,"type":573,"name":574,"desp":575,"shortDesp":20,"requiredPoints":32,"timeout":34,"isActive":18,"category":94,"createdAt":20,"updatedAt":576,"index":577,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"6817b235c25bb7aa418a63eb","resize-image","批量转换图片分辨率","批量转换图片分辨率，更适合 ai 模型处理","2025-11-30T05:33:15.250Z",17,{"id":579,"type":580,"name":581,"desp":582,"shortDesp":583,"seoKeywords":584,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":35,"createdAt":585,"updatedAt":586,"index":577,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":587,"showInMenu":18},"69e43d9797717913096d68a7","keyword-hit-stats","KWIC关键词命中矩阵","\u003Cp>用于回答\u003Cstrong>哪些主题在哪些文档里被密集讨论、不同分组之间的覆盖差异如何\u003C\u002Fstrong>。\u003Cspan style=\"color: rgb(225, 60, 57);\">与 KWIC 上下文索引互补——KWIC 按单个词查看左右上下文，回答「这个词怎么用」；本工具按概念组做命中统计，回答「哪些文档涉及哪些主题」\u003C\u002Fspan>，两者各司其职。\u003C\u002Fp>\u003Cp>必须以\u003Cstrong>「概念组」\u003C\u002Fstrong>形式提交关键词——把多个同义、近义词归到一个组里（如把「暴雷 \u002F 违约 \u002F 爆雷」并入「风险」组），所有命中数会被汇总到组名下；统计粒度可选 \u003Cstrong>整篇 \u002F 段落 \u002F 句子\u003C\u002Fstrong>，并支持子串与整词匹配、是否区分英文大小写。\u003C\u002Fp>\u003Cp>\u003Cspan style=\"color: rgb(225, 60, 57);\">\u003Cstrong>使用前提：本工具会把所有上传文件整合后按「段落」做横向对比，因此请务必把语料整理成清晰可分段的文本（例如每条评论 \u002F 每段访谈 \u002F 每条政策条款各占一段，段间用空行分隔）。\u003C\u002Fstrong>\u003C\u002Fspan>\u003Cspan style=\"color: rgb(225, 60, 57);\">\u003Cu>\u003Cstrong>如果通篇没有分段或没有把多份材料整合到一起，将无法得出有效结果\u003C\u002Fstrong>\u003C\u002Fu>\u003C\u002Fspan>\u003Cspan style=\"color: rgb(225, 60, 57);\">\u003Cstrong>。\u003C\u002Fstrong>\u003C\u002Fspan>\u003C\u002Fp>\u003Cp>报告同时提供\u003Cu>文档、关键词、分组三个视角\u003C\u002Fu>的命中表，\u003Cstrong>文档 × 关键词矩阵热力图\u003C\u002Fstrong>一眼看出哪些文档密集涉及哪些主题；段 \u002F 句粒度时还会按文档列出\u003Cu>命中最密集的热点段落或句子\u003C\u002Fu>，每条命中都可在抽屉里\u003Cu>查看上下文样例\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>适合在政策文件中比对不同口径在各部门材料中的覆盖差异，也适合评论与新闻中横向对比「风险 \u002F 正面 \u002F 品牌」等多组概念在不同来源中的集中度。\u003C\u002Fp>","把同义词合并成概念组，统计每个主题在哪些文档里被密集讨论——和 KWIC 互补，看的是「分布」而非「用法」。","关键词命中统计, 主题词频分布, 概念组关键词归并, 同义词合并统计, 文档关键词矩阵, 关键词热力图, 政策口径覆盖对比, 舆情主题分布","2026-04-19T02:27:35.819Z","2026-06-07T04:59:02.901Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=keyword-hit-stats",{"id":589,"type":590,"name":591,"desp":592,"shortDesp":593,"seoKeywords":594,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":76,"createdAt":595,"updatedAt":595,"index":577,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"69e6a7547fc1b0691dc86bf3","keyness-analysis","语料对比关键词分析","\u003Cp>用于在一份「想分析的文本」（目标语料）和一份「常见说法的对照」（参考语料）之间做词频对比，识别目标里反复强调的\u003Cstrong>特征词\u003C\u002Fstrong>，以及密度明显偏低、相对回避的\u003Cstrong>话题\u003C\u002Fstrong>。\u003C\u002Fp>\u003Cp>对每个词构造 2×2 列联表，\u003Cspan style=\"color: rgb(225, 60, 57);\">同时计算 Log-likelihood、Chi-square 与 Log-ratio 三种关键性统计量\u003C\u002Fspan>：前两者衡量\"差异显著程度\"，后者突出\"差异倍数\"，三者互为印证、避免单一指标的偏见。\u003C\u002Fp>\u003Cp>报告分别给出\u003Cstrong>过度代表\u003C\u002Fstrong>与\u003Cstrong>不足代表\u003C\u002Fstrong>的词表，配 Top N 条形图、可按任一统计量排序的详情表，并附 \u003Cu>目标 PMW\u003C\u002Fu>、\u003Cu>参考 PMW\u003C\u002Fu>、期望频次与 p 值；过度代表词可\u003Cu>当作特征词或标签\u003C\u002Fu>，不足代表词可\u003Cu>作为话题缺口的检查清单\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>适合自家品牌评论对照行业评论梳理用户的卖点与槽点，也适合政策文本对照通用新闻提取本期文件的新提法与口径变化。\u003C\u002Fp>","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。","关键性分析, 特征词提取, 语料对比分析, 品牌评论对比, 政策文本口径分析, Keyness analysis, Log-likelihood, Log-ratio","2026-04-20T22:23:16.727Z",{"id":597,"type":598,"name":599,"desp":600,"shortDesp":601,"seoKeywords":602,"requiredPoints":44,"billingMode":15,"ladderStepSize":16,"timeout":16,"isActive":18,"category":76,"index":577,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"6a1f2daef1ca1ca94efa119c","trend-analysis","趋势分析","\u003Cp>用于对按日、周或月记录的指标表——例如阅读量、销量、舆情声量——\u003Cstrong>看清走势、拐点和异常波动\u003C\u002Fstrong>，帮你做复盘或写周报。\u003C\u002Fp>\u003Cp>系统按你选择的时间粒度汇总后，用\u003Cstrong>滑动窗口均值\u003C\u002Fstrong>平滑短期噪声，\u003Cspan style=\"color: rgb(225, 60, 57);\">自动计算环比、同比并标记相对均线偏离较大的时点\u003C\u002Fspan>；支持分组列实现多序列对比。\u003C\u002Fp>\u003Cp>报告给出\u003Cstrong>峰值与低谷\u003C\u002Fstrong>、\u003Cstrong>移动平均趋势线\u003C\u002Fstrong>、逐期变化率统计和异常波动标记，可按分组切换查看不同序列。\u003C\u002Fp>\u003Cp>适合运营数据的趋势追踪和舆情声量的走势分析，输出常用于\u003Cu>交叉表解读\u003C\u002Fu>、\u003Cu>问卷结构描述\u003C\u002Fu>或\u003Cu>数据复盘\u003C\u002Fu>。\u003C\u002Fp>","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。","趋势分析, 时间序列分析, 移动平均, 环比分析, 同比分析, 异常检测, 数据走势, 峰谷识别, 指标趋势, 运营数据分析, 舆情趋势, 周报数据",{"id":604,"type":605,"name":606,"desp":607,"shortDesp":608,"requiredPoints":32,"timeout":383,"isActive":18,"category":94,"createdAt":609,"updatedAt":609,"index":610,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":20,"showInMenu":18},"692bdf49b05f53c9b5aed861","pdf-split","PDF 页面分割","上传PDF，拖动滑块选择页面范围，一键提取生成新文档","按页码范围从 PDF 中截取页面，另存为新文档。","2025-11-30T06:08:09.299Z",18,{"id":612,"type":613,"name":614,"desp":615,"shortDesp":616,"seoKeywords":617,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":76,"createdAt":618,"updatedAt":618,"index":610,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"69e6d927704dd3ac6eb870fa","corpus-search","语料检索","\u003Cp>用于在文档里，按相关度找出对某个问题或概念\u003Cstrong>最贴题\u003C\u002Fstrong>的段落、句子或整篇文档，并直接在原文里高亮命中位置。\u003Cbr>\u003Cbr>提供BM25关键词检索与在 BM25 候选基础上叠加语义匹配的深度模式两种算法，\u003Cstrong>字面关键词命中\u003C\u002Fstrong>与\u003Cstrong>意思相近但用词不同\u003C\u002Fstrong>的内容都能被找出来；可批量提交多条查询，每条独立给出 Top-K 结果与相关度分布。\u003Cbr>\u003Cbr>报告自动汇总命中率、资料覆盖率、最贴题的查询与最高产的文件，并按查询逐条展示 Top-K 片段；既能用于综述论点的原文定位，也能用于访谈材料里相同话题的集合归拢。\u003Cbr>\u003Cbr>适合在政策文件、报告与会议纪要里检索某个议题的支撑原文，也适合从大量客户访谈里把谈到同一话题的所有发言聚拢对比。\u003C\u002Fp>","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。","语义检索, 文档相关段落查找, 资料库问答检索, 访谈材料检索, 综述原文定位, 政策文件检索, BM25, Top-K 检索","2026-04-21T01:55:51.866Z",{"id":620,"type":621,"name":622,"desp":623,"shortDesp":624,"seoKeywords":625,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":35,"createdAt":626,"updatedAt":626,"index":610,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"6a1f2daef1ca1ca94efa1193","doc-term-matrix","文档词项矩阵","\u003Cp>用于在多篇文本之间\u003Cstrong>逐文档统计词频\u003C\u002Fstrong>，看清每篇文档各自在用哪些词、用得多不多，从而横向对比不同文档的词汇特征与差异。\u003C\u002Fp>\u003Cp>系统会自动对每篇文档分词并构建「文档 × 词汇」矩阵，支持自定义分词粒度、停用词过滤和词性筛选；\u003Cspan style=\"color: rgb(225, 60, 57);\">可选择按绝对频次或 TF-IDF 权重\u003C\u002Fspan>两种方式填入矩阵。\u003C\u002Fp>\u003Cp>报告给出\u003Cstrong>文档数量\u003C\u002Fstrong>、\u003Cstrong>词汇表规模\u003C\u002Fstrong>与\u003Cstrong>平均文档字数\u003C\u002Fstrong>三项概览指标，再用热力图直观展示词在各文档中的分布差异，并附基于词频向量的\u003Cstrong>余弦相似度矩阵\u003C\u002Fstrong>，方便\u003Cu>跨文档比较\u003C\u002Fu>和\u003Cu>聚类前的特征准备\u003C\u002Fu>。\u003C\u002Fp>\u003Cp>适合对比不同作者或不同来源文档的用词偏好，也适合为主题建模和文本聚类准备可下载的特征矩阵文件。\u003C\u002Fp>","逐文档统计词频并构建文档-词汇矩阵，热力图直观展示不同文档的用词差异。","文档词项矩阵, DTM, 文档词频矩阵, TF-IDF矩阵, 文本矩阵分析, 词频统计, 文档词汇对比, 热力图可视化, 跨文档比较, 文本特征提取, 语料库分析, 文本挖掘","2026-06-07T04:59:02.976Z",{"id":628,"type":629,"name":630,"desp":631,"shortDesp":632,"seoKeywords":633,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":76,"createdAt":634,"updatedAt":634,"index":635,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"69e6da43704dd3ac6eb876b4","vocab-growth","词汇增长曲线分析","\u003Cp>用于判断一份或多份文本是\u003Cstrong>不断引入新词\u003C\u002Fstrong>还是\u003Cstrong>收敛到固定词表\u003C\u002Fstrong>、词频是否符合自然语言分布，比单看词频表更能区分公文模板、自然写作与疑似机器生成。\u003C\u002Fp>\u003Cp>按累计 token 逐段统计词表增长，用 \u003Cstrong>Heaps' Law\u003C\u002Fstrong>（V = K · N\u003Csup>β\u003C\u002Fsup>）拟合得出\u003Cstrong>用词开放度 β\u003C\u002Fstrong>；高频词按降序在双对数坐标下做最小二乘拟合，得出 \u003Cstrong>Zipf 分布\u003C\u002Fstrong>的陡峭度 s，并附 R² 作可信度参考。\u003C\u002Fp>\u003Cp>β、s 会被投影到\u003Cspan style=\"color: rgb(225, 60, 57);\">公文 \u002F 散文 \u002F 新闻 \u002F 百科的公开语料带\u003C\u002Fspan>，可\u003Cu>一眼定位语料风格\u003C\u002Fu>；可外推\u003Cu>再读多少文本能新增多少词\u003C\u002Fu>以及未来 1M \u002F 10M token 时的词表规模；多文件页指出\u003Cu>最开放与最封闭的文件\u003C\u002Fu>和偏离自然语言的离群文件。\u003C\u002Fp>\u003Cp>常用于教材与学术写作的用词稳定性评估，也常用于识别评论与访谈中疑似机器生成的模板化文本。\u003C\u002Fp>","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。","词汇增长曲线, Zipf 分布拟合, 词频分布分析, 语料库覆盖率评估, 文本风格判别, AI 生成文本检测, Heaps' Law, TTR 计算\n","2026-04-21T02:00:35.384Z",19,{"id":637,"type":638,"name":639,"desp":640,"shortDesp":641,"seoKeywords":642,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":35,"createdAt":643,"updatedAt":643,"index":635,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"6a1f2daef1ca1ca94efa1198","punctuation-correct","标点纠正","\u003Cp>用于修复中文文本中\u003Cstrong>缺失或错误的标点符号\u003C\u002Fstrong>，包括中英文标点统一、重复标点去重、引号括号配对修复等，让断句恢复正常后再做后续分析。\u003C\u002Fp>\u003Cp>系统通过\u003Cstrong>上下文分析\u003C\u002Fstrong>自动修正标点错误，\u003Cspan style=\"color: rgb(225, 60, 57);\">保持原有断句结构不变，只纠正已有标点，不会给无标点文本增加标点\u003C\u002Fspan>；长文档可按段落、窗口或逐行三种方式分段处理。\u003C\u002Fp>\u003Cp>报告给出\u003Cstrong>逐句对照\u003C\u002Fstrong>（原文 vs 纠正后）和\u003Cstrong>改动统计\u003C\u002Fstrong>，高亮标注每处标点变化，方便你核对纠正质量。\u003C\u002Fp>\u003Cp>适合处理 OCR 输出、语音转写稿或标点混乱的旧文档，纠正后的文本更适合交给\u003Cu>情感分析\u003C\u002Fu>、\u003Cu>词频统计\u003C\u002Fu>和\u003Cu>文本清洗\u003C\u002Fu>等工具继续处理。\u003C\u002Fp>","自动修复中文文本中缺失或错误的标点符号，逐句对照显示纠正变化。","标点纠正, 中文标点修复, OCR标点修复, 语音转写标点, 标点符号修正, 文本纠错, 中英文标点统一, 引号修复, 文本预处理工具, 断句修复, 转写稿整理, 标点规范化","2026-06-07T04:59:03.060Z",{"id":645,"type":646,"name":647,"desp":648,"shortDesp":649,"seoKeywords":650,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":35,"createdAt":651,"updatedAt":652,"index":653,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":654,"showInMenu":18},"69e43efb97717913096d6f51","text-readability","文本可读性分析","\u003Cp>用于回答一段文字的\u003Cstrong>阅读门槛\u003C\u002Fstrong>大致在哪个水平、目标读者能不能读懂、哪些句子最难需要改写，是发布前判断稿件是否需要简化、或挑选不同读者群对应版本的常用工具。\u003C\u002Fp>\u003Cp>中文按\u003Cstrong>《通用规范汉字表》\u003C\u002Fstrong>一 \u002F 二 \u002F 三级覆盖率，结合平均句长、生僻字比例、虚词密度与平均词长综合打分；\u003Cspan style=\"color: rgb(225, 60, 57);\">英文同时跑 Flesch Reading Ease、Flesch-Kincaid Grade、Gunning Fog、SMOG、Coleman-Liau、ARI、Dale-Chall 七项学界通行公式\u003C\u002Fspan>，可自动检测语言或手动指定，中英混排时按主导语言走对应管线。\u003C\u002Fp>\u003Cp>报告给出 \u003Cstrong>0-100 综合可读性分\u003C\u002Fstrong>与近似阅读年级，配以\u003Cu>通用规范汉字表覆盖堆叠图\u003C\u002Fu>、\u003Cu>多文件难度雷达对比\u003C\u002Fu>、多文件汇总表，以及每份文件\u003Cu>最难 5 句 \u002F 最易 5 句\u003C\u002Fu>样本；同时附「凭什么得出阅读年级」的方法说明与年级带映射表（小学 \u002F 初中 \u002F 高中 \u002F 通用 \u002F 学术）。\u003C\u002Fp>\u003Cp>适合教辅与少儿读物分级、字幕与配音稿的难度匹配，也适合公文、学术与品牌稿件在面向大众发布前的改写决策与多版稿件难度横向对比。\u003C\u002Fp>","估算中英文本的阅读门槛与近似阅读年级，挑出最难和最易的句子，看适合什么水平的读者。","可读性分析, 阅读难度评估, 阅读年级估算, 中文可读性, 英文可读性公式, Flesch-Kincaid 阅读分级, 通用规范汉字表覆盖率, 教辅分级与公文改写","2026-04-19T02:33:31.703Z","2026-06-07T04:59:03.107Z",20,"https:\u002F\u002Ftatools.cn\u002Ftask?name=text-readability",{"id":656,"type":657,"name":658,"desp":659,"shortDesp":660,"seoKeywords":661,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":76,"createdAt":662,"updatedAt":662,"index":653,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"69e6df6166f9211d8320b354","dependency-pattern-mining","依存句法模式挖掘","\u003Cp>研究一批文本时，常见疑问是\u003Cstrong>句法骨架\u003C\u002Fstrong>是否高度重复：主谓宾与修饰关系是通篇共性还是局部习惯。\u003C\u002Fp>\u003Cp>系统先为每句得到\u003Cstrong>依存结构\u003C\u002Fstrong>，再\u003Cspan style=\"color: rgb(225, 60, 57);\">按模式模板在全语料上归类累加\u003C\u002Fspan>，用出现次数滤掉偶发组合，并按关系类型、词性序列或修饰对等不同视角分别累计。\u003C\u002Fp>\u003Cp>结果给出\u003Cu>各模式的频次与结构占比\u003C\u002Fu>，并标明\u003Cu>涉及的句数与跨文件覆盖\u003C\u002Fu>；\u003Cu>高亮相邻片段的原句\u003C\u002Fu>便于把统计落回措辞；前列条形显示强弱层次；按文件汇总解析成败则帮助判断宏观结论是否建立在足够稳定的句子上。\u003C\u002Fp>\u003Cp>适用于政策动员类话语的套语摸底，也适用于期刊论文或评论里不同作者的句式结构对照。\u003C\u002Fp>","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。","依存句法模式挖掘, 语料句法统计, 政策话语分析, 文体句式对比, 依存句法, 词性序列, 动词论元框架, 修饰搭配挖掘","2026-04-21T02:22:25.447Z",{"id":664,"type":665,"name":666,"desp":667,"shortDesp":668,"seoKeywords":669,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":76,"createdAt":670,"updatedAt":670,"index":671,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"69e6e379e553d2f1ff72a3ea","discourse-marker","话语标记词分析","\u003Cp>当你想知道一篇材料主要靠哪种逻辑推进时，显性衔接用语会露出作者的\u003Cstrong>逻辑骨架\u003C\u002Fstrong>。将\u003Cstrong>话语标记词\u003C\u002Fstrong>按因果、转折、递进、列举、举例、总结、让步、澄清八类聚合，能看出论证偏演绎、对比还是举例归纳。\u003C\u002Fp>\u003Cp>在全文按启用的类目词典检索命中，记录位置语境；\u003Cspan style=\"color: rgb(225, 60, 57);\">再区分句首显性领句与句中隐性衔接\u003C\u002Fspan>，并在段落序列上滑窗聚合，观察各类标记随文势起伏。\u003C\u002Fp>\u003Cp>圆占比、沿段落折线、折叠词频与短上下文，便于\u003Cu>对照改写前后的论证节奏\u003C\u002Fu>、\u003Cu>比较范文与学生稿的衔接偏好\u003C\u002Fu>；多稿并列时还有\u003Cu>雷达与汇总表\u003C\u002Fu>快速比较密度与主导类别。\u003C\u002Fp>\u003Cp>适用于课堂作文结构讲评，也适用于对比政策稿里列举型与让步型修辞的相对强弱。\u003C\u002Fp>","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。","话语标记词分析, 衔接词统计, 论证结构分析, 中英文写作风格对比, 议论文衔接词, discourse markers, 逻辑连接词, 段落组织分析","2026-04-21T02:39:53.034Z",21,{"id":673,"type":674,"name":675,"desp":676,"shortDesp":677,"seoKeywords":678,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":35,"createdAt":679,"updatedAt":679,"index":671,"isBeta":23,"isNew":18,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"6a1f2daef1ca1ca94efa119b","similar-sentence-finder","相似句查找","\u003Cp>用于在问卷答案、访谈摘录或文档段落中\u003Cstrong>找出含义相近的句子对\u003C\u002Fstrong>，看清哪些内容虽然措辞不同但在说同一件事，帮助你快速定位重复表达和相近观点。\u003C\u002Fp>\u003Cp>系统基于\u003Cstrong>语义向量\u003C\u002Fstrong>计算句子间的相似度，\u003Cspan style=\"color: rgb(225, 60, 57);\">支持按行或按段落比较，可调宽松\u002F标准\u002F严格三档查找范围\u003C\u002Fspan>，开启精准复核后排序更贴近人工判断。\u003C\u002Fp>\u003Cp>报告给出\u003Cstrong>相似度矩阵\u003C\u002Fstrong>和\u003Cstrong>配对明细\u003C\u002Fstrong>，优先列出相似度最高的句段对，方便你逐对核对和整理。\u003C\u002Fp>\u003Cp>适合问卷开放题的\u003Cu>答案归并\u003C\u002Fu>、访谈材料的\u003Cu>观点提炼\u003C\u002Fu>和文档段落的\u003Cu>重复检测\u003C\u002Fu>，为后续去重和内容整理提供依据。\u003C\u002Fp>","基于语义向量查找含义相近的句子对，输出相似度矩阵和配对明细。","相似句查找, 语义相似度, 句子相似度, 文本查重, 相似内容检测, 问卷答案归并, 访谈整理, 文本去重, 语义匹配, 向量相似度, 重复检测, 句段比较","2026-06-07T04:59:03.161Z",{"id":681,"type":682,"name":683,"desp":684,"shortDesp":685,"seoKeywords":686,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":35,"createdAt":687,"updatedAt":688,"index":689,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"showInMenu":18},"69e6e65cd2253d7a2aa36a82","vocab-level","词汇等级评估","\u003Cp>用于核对读物与课文是否落在既定考纲档、列出高于目标的难点词，并在专名与术语较多的稿件里仍看清普通词汇的难度结构。\u003C\u002Fp>\u003Cp>先切词，再按\u003Cstrong>HSK\u003C\u002Fstrong>、\u003Cstrong>CEFR\u003C\u002Fstrong>或\u003Cstrong>Oxford 学习者词表\u003C\u002Fstrong>分级，可弱化命名实体干扰；整篇档位取逐级累加词次首次达九成已分级词时的那一档。\u003C\u002Fp>\u003Cp>与估算阅读年级、给难句易读样本的\u003Cstrong>文本可读性分析\u003C\u002Fstrong>不同，本工具逐词对齐官方档位并筛超纲，不输出多项易读度综合分。\u003C\u002Fp>\u003Cp>报告含等级分布、覆盖率、\u003Cu>超纲词与示例\u003C\u002Fu>及\u003Cu>表外片段\u003C\u002Fu>，多文件可\u003Cu>雷达与汇总\u003C\u002Fu>对比占比。\u003Cspan style=\"color: rgb(225, 60, 57);\">表外清单天然可作新词发现候选，整成领域词表可收窄后续分词、关键词与主题建模噪声。\u003C\u002Fspan>\u003C\u002Fp>\u003Cp>除选材命题外，亦适合先辨批量语料的表外词，再沉淀为下游关键词与主题挖掘用词表。\u003C\u002Fp>","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。","词汇等级评估, 文本难度分析, 超纲词清单, 国际中文教学, 英语分级阅读, 教材选材, HSK, CEFR, Oxford 3000\n","2026-04-21T02:52:12.274Z","2026-06-07T04:59:03.260Z",22,{"id":691,"type":692,"name":693,"desp":694,"shortDesp":695,"seoKeywords":696,"requiredPoints":204,"billingMode":15,"ladderStepSize":16,"timeout":16,"isActive":18,"category":76,"updatedAt":697,"index":689,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":698,"showInMenu":18},"69e881f6dead8f5acbadb8a7","deep-style-analysis","写作风格判定","\u003Cp>当你想知道一篇或一批文本的\u003Cstrong>写作风格画像\u003C\u002Fstrong>——它偏抒情还是论证、像哪种文体、哪些方面表现出色、哪些地方可以改时，会先抽取客观的统计特征，再据此给出可读的评分与建议。\u003C\u002Fp>\u003Cp>系统会先抽取约 40 项\u003Cstrong>统计风格特征\u003C\u002Fstrong>（句长、句型、词性、标点、人称代词等），再基于这些数值给出 \u003Cstrong>8 维风格量表\u003C\u002Fstrong>，\u003Cspan style=\"color: rgb(225, 60, 57);\">每个评分都附明对应的统计依据，不是凭印象给的标签\u003C\u002Fspan>。\u003C\u002Fp>\u003Cp>结果包含 0–100 的\u003Cstrong>风格维度雷达\u003C\u002Fstrong>、按置信度排序的\u003Cu>文体归属候选\u003C\u002Fu>、风格标签、优势 \u002F 不足清单，以及每条都注明数据依据的\u003Cu>改进建议\u003C\u002Fu>；多文件还可对照雷达图与维度横向得分。\u003C\u002Fp>\u003Cp>适用于学生作文与申请文书的写作辅导，也适用于栏目稿件、品牌文案的口径一致性核查。\u003C\u002Fp>","基于多种统计风格特征，量化每篇文档的写作风格。","写作风格分析, 风格画像, 写作改进建议, 学生作文风格分析, 申请文书风格评估, 栏目风格一致性, 8 维风格量表, 文体归属","2026-04-22T08:10:37.165Z","https:\u002F\u002Ftatools.cn\u002Ftask?name=deep-style-analysis",{"id":700,"type":701,"name":702,"desp":703,"shortDesp":704,"seoKeywords":705,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":35,"createdAt":706,"updatedAt":707,"index":708,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":709,"showInMenu":18},"69e43f8997717913096d7179","extractive-summary","抽取式摘要（TextRank \u002F LexRank 双引擎）","\u003Cp>用于快速从长文里挑出最具代表性的几句话拼成摘要。\u003Cspan style=\"color: rgb(225, 60, 57);\">\u003Cstrong>与生成式摘要不同——本工具不改写、不脑补，每一句都直接来自原文并标注原文行号，可一键回到出处\u003C\u002Fstrong>\u003C\u002Fspan>，从根源上避免事实漂移与措辞篡改的风险。\u003C\u002Fp>\u003Cp>系统先把每个句子用 \u003Cstrong>TF-IDF\u003C\u002Fstrong> 表示并构建句子相似度图，再同时跑 \u003Cstrong>TextRank\u003C\u002Fstrong>（基于 PageRank 的图迭代）与 \u003Cstrong>LexRank\u003C\u002Fstrong>（阈值化邻接 + 幂迭代）两套经典算法计算「句重要性分」，按权重挑头部并保持原文顺序拼接；摘要长度可按\u003Cstrong>压缩比\u003C\u002Fstrong>或\u003Cstrong>目标句数\u003C\u002Fstrong>控制，支持中文、英文与自动检测。\u003C\u002Fp>\u003Cp>报告给出\u003Cu>每篇文档的摘要句列表\u003C\u002Fu>（含权重条形与原文行号）、\u003Cu>原文 + 摘要高亮对照\u003C\u002Fu>（Tab 切换看两套算法的选句差异）、句权重 Top 30 分布、\u003Cu>两算法重合度\u003C\u002Fu>指标，以及多文件压缩比与重合度汇总表。\u003C\u002Fp>\u003Cp>适合政策文件、论文、研究报告的快速通读与批量「先看摘要再决定要不要细读」，也适合长篇评论、访谈、博客的重点抽取与导读卡片生成。\u003C\u002Fp>","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。","抽取式摘要, 自动摘要工具, 长文重点提取, 论文摘要工具, 批量文档摘要, 中文文本摘要, TextRank 摘要, LexRank 摘要","2026-04-19T02:35:53.307Z","2026-06-07T04:59:03.379Z",23,"https:\u002F\u002Ftatools.cn\u002Ftask?name=extractive-summary",{"id":711,"type":712,"name":713,"desp":714,"shortDesp":715,"seoKeywords":716,"requiredPoints":44,"billingMode":15,"ladderStepSize":159,"timeout":16,"isActive":18,"category":35,"createdAt":717,"updatedAt":718,"index":719,"isBeta":23,"isNew":23,"isHot":23,"isUpdated":23,"enableAcademicMethodsWriteup":23,"example":720,"showInMenu":18},"69e43fe997717913096d739c","pii-redaction","敏感信息脱敏","\u003Cp>用于在文档对外分享、训练语料脱敏、客服与用户反馈归档等场景下，批量识别并替换文本里的\u003Cstrong>结构化个人信息（PII）\u003C\u002Fstrong>。\u003Cspan style=\"color: rgb(225, 60, 57);\">本工具只识别\"有规律的格式化串\"——身份证、手机号、银行卡、车牌等；自由人名、自由地址描述等需要命名实体识别才能找到的目标，请改用「实体识别」工具\u003C\u002Fspan>，避免功能误用。\u003C\u002Fp>\u003Cp>内置 11 种类型：身份证、手机号、邮箱、银行卡、统一社会信用代码、车牌、IP、QQ、微信号、生日、地址前缀，并叠加\u003Cstrong>身份证 GB 11643、银行卡 Luhn、社会信用代码 GB 32100\u003C\u002Fstrong> 等校验位以显著压低误报；脱敏方式可在\u003Cstrong>占位符（[PHONE_1] 形式的可逆映射）\u002F 保留前后若干位的中段掩码 \u002F 整段删除\u003C\u002Fstrong>三者中切换，并支持追加\u003Cstrong>自定义正则\u003C\u002Fstrong>覆盖工号、合同号、订单号等业务字段。\u003C\u002Fp>\u003Cp>报告给出\u003Cu>整体风险等级\u003C\u002Fu>（高 \u002F 中 \u002F 低 \u002F 无）、命中类型分布柱状图、\u003Cu>文件 × 类型命中热力图\u003C\u002Fu>、每文件命中统计与\u003Cu>掩码样本预览\u003C\u002Fu>，以及可按文件 \u002F 类型筛选并分页的命中明细表；脱敏后的主文件、命中明细 CSV、占位符映射表均可整批下载。\u003C\u002Fp>\u003Cp>适合公文、客服记录、用户反馈等对外发布前的合规脱敏，也适合 LLM 训练语料、运营报表与数据治理流程中的个人信息清洗与留痕。\u003C\u002Fp>","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 \u002F 掩码 \u002F 删除三选一。","PII 脱敏, 个人信息脱敏, 数据脱敏工具, 敏感信息识别, 身份证手机号银行卡脱敏, 训练数据脱敏, 文本合规处理, 自定义正则脱敏","2026-04-19T02:37:29.325Z","2026-06-07T04:59:03.450Z",24,"https:\u002F\u002Ftatools.cn\u002Ftask?name=pii-redaction",{"title":722,"description":723,"keywords":724},"修辞手法检测 - 在线中文文本分析工具 | TATOOLS","用于统计演讲稿、散文、教案示例或宣传稿里 比喻、拟人、排比、反问、夸张 等手法的用量与分布，看清文本在哪些地方用了修辞、用了哪类修辞。 系统会 逐句标注 常见修辞类型，依据通行的中学至大学基础语文修辞口径， 每句可给出多个修辞标签并附一句释义 ，方便回到原文核对。 报告给出 修辞句数 、 每千字修辞密度 、各类型...","修辞手法检测,修辞分析,比喻识别,排比检测,反问识别,拟人检测,修辞标注,语文修辞分析,文风分析,写作讲评工具,修辞统计,文本修辞标注,中文文本分析,语料分析工具,词频统计,关键词提取,情感分析,主题建模,论文文本分析,政策文本分析"]