在论文写作中，文本数据如问卷开放题、用户评论、访谈记录等越来越常见，但如何对这些非结构化数据进行规范分析，仍然是很多人的难点。很多人一听“文本分析”，第一反应是：需要写代码、要学Python、门槛很高。但实际上，文本分析用SPSSAU软件就可以完成。

本文将以京东某品牌手表的真实评论为例，介绍SPSSAU完成文本分析的基本流程，一次性演示词云图、情感分析、文本聚类、社会网络关系图、LDA主题分析这五大功能。

一、数据准备与上传

案例数据：京东某智能手表评论区，共100条有效评论（虚拟数据仅用于演示分析）。

1、文本分析数据格式

（1）Excel格式：将文本全部放置于A列中，A列不需要有标题信息，每行（即每个单元格）存在1个分析文本。类似如下图所示：

（2）粘贴文本：如果是txt文档或者粘贴文本进行上传，那么系统会自动过滤掉空行数据，并且以回车键作为每行（即每个分析文本）标志。

2、进入SPSSAU文本分析

（1）在SPSSAU页面左侧点击进入【文本分析模块】：

（2）“点击上传”按钮：上传或粘贴整理好的评论数据，等待片刻分析完成后，点击“进入项目”按钮，即可查看对应的文本分析结果，操作如下图：

【提示】：当前SPSSAU文本分析模块限制周会员及以上用户使用。

• 文本分析结果：SPSSAU文本分析结果包括词云分析、文本情感分析、文本聚类分析、社会网络关系分析、LDA主题分析、新词发现和我的词库等。接下来分别进行简单介绍。

二、词云图分析

文本分析模块中，最重要和最基础的为展示分词结果，通常是使用词云图进行展示。

1、词云分析

词云图是一种基于词频统计的文本可视化方法，通过对文本中词语出现频次进行统计，并以图形方式呈现其重要程度。一般而言，词语出现频率越高，在图中显示越突出。该方法能够直观反映文本中的核心内容与高关注点，为后续分析提供基础参考。

SPSSAU输出词云图结果如下：词云图默认展示前100个高频词，用户可自主设置该数字，也可修改词云风格和下载词云图。

分析词云图可知：

• 运动手表的市场反馈呈现出明显的“功能驱动型”特征。以“运动” 、 “功能” 、 “数据”及“专业”关注视觉中心，表明用户核心其运动监测能力的关注度最高；
• 具体场景中， “游泳” 、 “跑步” 、 “睡眠”和“心率/血氧检测”是高频聚焦的应用点。
• 此外， “近距离” 、 “屏幕”和“表带”等硬件素质也是用户评价的关键指标。

2、自定义词云

SPSSAU支持自定义词云，该功能为用户提供了高度灵活的视觉化方案。输入关键词及其对应词频，系统即可实时渲染词云矩阵。如下图所示：

3、词定位

词定位功能支持对关键词进行全文溯源：只需在SPSSAU中点击或直接搜索目标词汇，系统即可实时定位展示其在原文中的所有出现位置。如下图所示：

4、TF-IDF

文本分析中，TF-IDF是个重要的指标，其反映某关键词在整份数据中的重要性程度，当TF-IDF越高时，其重要性越高。TF-IDF计算时包括2个指标——TF和IDF，下面分别进行介绍：

• 指标1：TF

TF（Term Frequency，词频），其表示某个关键词的出现次数（并且进行归一化处理），TF越高意味着出现频率越高，那么其重要性也会越高。

• 指标2：IDF

IDF（Inverse Document Frequency，逆文档频率），其为‘到处出现’的体现，当关键词到处出现时，说明该关键词可能是常用词（比如“你好”）不那么重要，因而idf应该低，如果关键词不是到处出现，那么说明该关键词可能重要性高，因而idf应该高。

• TF-IDF计算公式

TF-IDF = TF * IDF，具体公式如下：

• TF = n / N，其中n为某关键词的词频，N为整份数据关键词词频总和；
• IDF = log(D/(1+d))，log是取对数，D为数据的行数，d为数据中某个词在多少行中出现过。

在SPSSAU中默认按从大到小输出TF-IDF值，计算结果及对应词云图如下：

分析TF-IDF结果，从词项分布来看，用户讨论主要集中在以下方面：

• 产品体验层面，“划痕”“刮花表身”“松动”“接触不良”“计算误差”等词出现，反映出用户对产品物理质量与功能精准度的敏感；
• 健康监测功能方面，“房颤”“氧量”“心率”“漂移”等专业术语的突显，说明用户对健康数据的准确性与医学价值有较高期待；
• 佩戴舒适度与外观维度中，“颜值”“皮肤过敏”“汗渍”“发红”等词揭示了外观设计与材质亲肤性对用户体验的重要影响。
• 此外，“推诿”“态度恶劣”“安全隐患”等负面情感词的出现，提示售后服务与产品安全性是当前用户评价中的潜在风险点。

点击下方链接进入方法帮助手册：

词云分析帮助手册

二、文本情感分析

文本情感分析是对文本中所表达情绪倾向进行识别与分类的方法，通过对文本数据的情感分布进行统计，可以从整体上把握用户态度与满意程度，为评价分析与决策提供依据。情感分析使用情感词典进行情感得分计算，并且经过SPSSAU数据压缩化，将情感得分压缩在-1~1之间。关于情感方向的判断标准具体规则如下表：

情感分值区间	情感方向
[-1, -1/3)	负向
[-1/3, 0)	偏负向
[0, 1/3)	偏正向
[1/3, 1]	正向
没有分值时	情感词典中无该词

SPSSAU文本情感分析可按词或按行进行情感分析：

1、按词情感分析

SPSSAU输出按词情感分析结果示例如下：

表格中包括各关键词的词频信息（也可下拉选择tf-idf）和其出现行数，默认按词频降序排序，右侧展示词云。表格上方可以点击‘正向/偏正向’或者‘负向/偏负向’切换展示具有情感方向的关键词，并且右侧词云会跟随变化。点击关键词可以出现其词定位信息，如下图：

2、按行情感分析

按行情感分析是指针对分析的原始数据以‘行’为单位进行情感分析，并且可下载具体的情感得分值信息等。SPSSAU输出按行情感分析结果如下：

文本情感分析帮助手册

三、文本聚类分析

文本聚类分析是一种将内容相似的文本自动归类的方法。通过计算文本之间的相似度，将结构和语义相近的文本分在同一组，从而发现潜在的分类规律。

SPSSAU提供按词聚类分析与按行聚类分析。

1、按词聚类分析

按词聚类分析旨在对关键词进行聚类并实现可视化呈现，研究者可自由选择待分析的关键词。系统默认提取词频排名前20的关键词，基于词向量值执行K-means聚类，随后通过多维标度分析（MDS）计算各关键词的坐标定位，最终输出聚类可视化结果。图中不同颜色代表不同类别，清晰反映了关键词之间的类别归属关系。SPSSAU输出按词聚类分析结果示例如下图所示。

2、按行聚类分析

不同于按词聚类分析，按行聚类分析是指以‘行’为单位，针对每行数据进行聚类分析（具体为kmeans聚类），并且计算出各‘行’数据的聚类类别，也可直接进行下载聚类类别信息。SPSSAU分析结果如下图所示：

下载按行聚类结果分析可知，将手表评论分为三个核心类别：

• 类别1为功能赞誉与专业应用：此类评论主要集中在产品的专业功能指标和高性能上。
• 类别2为硬伤吐槽与售后不满：此类是典型的负面评价点，涉及硬件质量、佩戴舒适度及服务体验。
• 类别3为深度场景使用与数据精度：这一类评论的反馈与中评之间，更多的是在特定使用场景（如游泳、高海拔登山、办公室久坐）下对数据的细节反馈。

文本聚类分析帮助手册

四、共词矩阵与社会网络关系图

社会网络关系图是基于词语共现关系（共词矩阵）构建的网络结构，通过分析文本中词语之间的关联程度，揭示其内在联系。图中节点代表关键词，连接关系反映词语之间的共现强度。该方法有助于从结构角度理解文本内容及其组织方式。

1、共词矩阵

第1行和第1列为关键词名称且完全对应，具体数据上，右下三角斜对角线为该词的词频，其它数字为两词“共现”次数（每行‘共现’次数之和）。SPSSAU输出共词矩阵结果如下：

例如分析上面共词矩阵可知，“运动”词频为17，“功能”和“运动”两词一起出现过2次......

2、社会网络关系图

社会网络图关系基于共词矩阵构建，旨在揭示关键词间的语义关联。矩阵节点间的连线表征了词汇的共现关系：若共现频率次大零，则判定为关联。

SPSSAU输出社会网络关系图如下：

在社会网络关系图时，可通过“样式设置”切换图形风格等，例如选择是否有鱼眼，使用线条粗细展示共词次数，越粗则表示共词次数越高，当然也可选择颜色深浅或者固定线条大小。

社会网络关系图帮助手册

五、LDA主题分析

LDA主题分析是一种常用的文本主题挖掘方法，通过对文本中词语分布特征进行建模，将文本划分为若干潜在主题。每个主题由一组具有代表性的关键词构成，从而反映文本的主要内容结构。该方法能够从整体上揭示文本的主题分布特征。

SPSSAU输出LDA主题分析包括以下结果：

项	说明
主题与关键词权重表格	表格化展示各主题与关键词的权重值
主题与关键词权重对应关系图	可视化展示各主题与关键词的权重值，点击主题气泡时可仅展示该主题时关键词的权重（且从大到小排序）
主题分布表格	展示各行隶属的主题编号
主题与关键词权重对应气泡图	可视化展示各主题与关键词的权重值，气泡越大说明权重越大
修改主题名称	确认好主题的实际名称后，可修改主题名称，重新展示表格和图信息等

本案例虚拟数据样本较少质量较差，主题分析结果并不合理，故展示其他文本数据主题分析结果，SPSSAU输出LDA主题分析部分结果示例如下：

六、新词发现&我的词库

1、新词发现

在文本分析过程中，预设搜索往往存在滞后性，难以覆盖如“大模型”等新兴专业术语。为此，可引入新词发现算法进行识别。该算法主要依托两个关键指标：

• 信息熵：衡量词语与上下文组合的自由度，即左右邻接词的多样性程度；
• 互信息：表征词语内部片段之间的结合紧密性与结构稳定性。

但具体情况还需要研究者结合新词发现和其实际意义进行综合决择，并无固定标准。SPSSAU新词发现结果如下：

当判定为新词时，可批量将其加入到新词词库中，重新进行文本分析，以便得到更准备的文本分析结果。

新词发现帮助手册

2、我的词库

在文本分析中，研究者常需对词库进行自定义调整以提升分析精度。具体而言：

• 对于“内卷”等出现的新词，可将其纳入新词词库，确保系统在词频统计等环节予以识别；
• 对于“好了”等无实际语义贡献的停用词，则可将其设置为停用词以排除干扰；
• 可依据研究需要设定情感词，如将“元宇宙”赋予正向或负向的情感分值；
• 还可设置同义词，多个同义词时以逗号隔开，比如：“北京：北京市，北平。

在SPSSAU中，上述操作可通过点击“我的词库”模块完成，操作界面如下图所示。

我的词库帮助手册