前阵子在帮研究生看一批云南热门景区的游客评论，他们问我能不能用ROST_CM6把这些文本的“主题”和“态度”快速摸一遍。我当时第一反应是：现在做文本分析不都该上Python了？但仔细想了想，这个工具在内容分析、舆情调研、旅游管理这类场景里，生命力远比想象中强。ROST_CM6最大的价值不是算法多先进，而是它把词频分析、社会网络和语义网络分析、情感分析这套完整的文本挖掘流程，做成一个不需要敲代码就能跑通的工作台。尤其对需要写方法部分、需要每一步都能截图留痕的科研场景，它比代码更友好。这篇文章就把这三个核心功能掰开揉碎讲清楚，包括操作逻辑、参数设置、导出格式，以及我实际操作中踩过的坑。

1. ROST_CM6在内容分析里到底处于什么位置

很多刚接触文本挖掘的人对ROST_CM6有误解，要么觉得它是老古董就没必要学，要么觉得它能像大模型一样智能。这两个判断都偏了。

ROST_CM6是武汉大学沈阳教授团队开发的中文内容挖掘工具，早期版本迭代到现在，已经在传播学、情报学、旅游管理、社会学等领域的论文里累积了大量使用案例。它走的是典型的“GUI点选式”路线，不需要配置Python环境，不需要写代码，把分词、词频统计、社会网络分析、情感分析这些常用功能集成在一个可视化界面里。对非计算机背景的研究者来说，这个“低成本上手”的特性，决定了它至今仍有不可替代的位置。

还有一个更现实的理由：学术论文里写“采用ROST_CM6进行分词与词频统计”，和一个普通段落讲述其他流程，审稿人不会质疑；但如果你写“使用了自训练的BERT模型做情感分类”，没有深厚的技术细节和模型评估，反而容易给自己挖坑。工具是否前沿不重要，重要的是在方法上可解释、可复现。

从内容分析的方法论来看，这三个功能恰好对应三条递进的路径：

• 词频分析回答“文本里什么词出现得多”，解决的是描述性问题；
• 社会网络和语义网络分析回答“这些高频词之间有什么关系”，解决的是结构性问题；
• 情感分析回答“这些文本表达了什么态度”，解决的是评价性问题。

把这三个结果放在一起看，你才能从“景区评论里提到了什么”推进到“提到的东西在游客体验中如何互相连接”，再进一步判断“这些连接背后的情绪倾向”。这也是为什么我建议初学者把这三件事一起跑，而不是只做词频就收工。

下表是我自己的功能定位清单，供参考：

需要先说明的是，ROST_CM6的算法基础相对传统，词频的准确性依赖前置分词，情感分析的判断依赖情感词典。它不是万能的，但在“快速摸清一个不太大的文本语料”这个任务上，效率和可读性都非常好。我自己现在的使用习惯是：它负责搭框架、出初稿，之后再用更精细的工具去验证。

2. 词频分析：先理解分词规则，再做词表配置

词频分析是整套流程的起点。很多新手一上来就点“开始”，结果得到一份把“大理”切成了“大”和“理”的高频词表，然后开始怀疑人生。这种情况不是软件坏了，而是没有理解中文分词的逻辑。

2.1 文本预处理：决定分析质量的第一步

不管是做词频、共现还是情感分析，原始文本的质量直接决定结果的价值。我的建议是先做一遍“物理清洗”，再导入ROST。

所谓物理清洗，就是把明显干扰分析的内容去掉。以景区评论为例，主要有这几类：

• 表情符号和特殊符号：删除或替换为空格，ROST对emoji处理很弱；
• 网址、@用户、时间日期：这类信息对主题和情感没有直接贡献；
• 连续重复的助词：“啊啊啊啊”“哈哈哈哈”会影响词频排序，可以视情况保留或删除；
• 同一评论包含多主题的长文：建议人工拆分，或者统一按“一行一条记录”的格式组织。

整理完之后，文本保存为txt纯文本文件。一个常见要求是每行一条文本记录，比如一行一条评论、一行一条微博。有些版本还支持两列格式，第一列是编号，第二列是内容，中间用Tab或空格隔开。

这里有个非常关键的细节：编码格式。ROST_CM6不同模块对文本编码的兼容性不一样，最稳妥的办法是用ANSI编码保存。如果你打开ROST后看到满屏乱码，别急着换软件，先把txt另存为ANSI编码试试。用Notepad++这类编辑器，右下角能直接看到当前编码，点一下就能切换。

2.2 自定义词典和过滤词表

完成清洗后，下一步不是直接统计词频，而是准备两个词表：自定义词典和过滤词表。

自定义词典的作用是告诉分词器哪些词不能被拆开。ROST默认采用的是通用中文分词词库，地名、专有名词、网络新词很可能被切碎。比如“泸沽湖”可能会被切成“泸沽”和“湖”，“过桥米线”会被切成“过桥”和“米线”。解决办法就是把这类词一个一个录入自定义词典。

操作上很简单，新建一个txt文件，每行写一个词，不要带空格和标点：

云南 大理 丽江 泸沽湖 洱海 客栈 过桥米线 玉龙雪山 蓝月谷

这个文件在ROST的“分词”功能界面里会被指定为自定义词表。注意有些版本要求词表文件也保存为ANSI编码，否则读取时还是会出现乱码或整表失效。

过滤词表则存放那些没有实际分析意义的虚词和高频功能词。默认你至少要有这些：

的 了 是 在 和 也 就 都 而 及 与 着 或 一个 可以 但是

这里有个需要拿捏的点：过度过滤会丢失语气信息，尤其是“但是”“不过”这类转折词，在情感分析里很重要。但词频分析阶段，它们确实会干扰关键名词和动词的排名。我个人的做法是：第一次先放过它们，看原始词频结果，再逐步添加过滤词，直到结果令人满意。

2.3 分词之后的词频统计与结果检查

在ROST_CM6里，“分词”和“词频统计”通常分成两个操作。先对原始文本分词，得到分词后的新文件，再用这个新文件执行词频统计。千万别跳过分词直接统计，否则你得到的是字频而非词频。

接下来看一个具体例子。假设我有三条游客评论：

大理古城太美了，洱海边的阳光特别治愈。 泸沽湖的水很清澈，客栈的老板非常热情。 丽江虽然人多，但玉龙雪山值得一去。

经过分词后，大致会变成：

大理 古城 太 美 了 ， 洱海 边 的 阳光 特别 治愈 。 泸沽湖 的 水 很 清澈 ， 客栈 的 老板 非常 热情 。 丽江 虽然 人多 ， 但 玉龙雪山 值得 一 去 。

看到这里，你可以开始检查三个问题：

1. “泸沽湖”有没有被完整保留？没有的话，把这个词加入自定义词典再跑。
2. “值得一去”被切成“值得”“一”“去”，这种切法是否能接受？如果“值得一去”是你研究中的重要概念，同样可以加入自定义词表。
3. “太”“特别”“非常”这类程度副词，在词频统计里排名会很靠前，但它们的分析价值取决于研究目的。如果你想分析“哪些景点和体验被强调”，建议在过滤词表中把它们过滤掉。

词频统计输出通常包含三个字段：词语、词频、词性。词性标注有时不太准，尤其是现代汉语中词性兼类很多，所以我在实际使用中主要看前两个字段。

这里有一条高频词统计的经验规则：先看前20个词，如果超过5个是“不知所云的切词碎片”，不要继续往下看结果，先回头调词表。碎片越多，后续的共现矩阵也会越不稳定。

3. 从共现矩阵到网络图：社会网络和语义网络分析怎么做

如果说词频分析是把一堆文本压成一张词表，那社会网络和语义网络分析就是把这张词表拉伸成一张关系图。它不再是单独看一个词出现多少次，而是看哪些词总是结伴出现、谁处在连接的中心。

3.1 原理：共现矩阵如何变成网络

社会网络和语义网络分析的核心机制是“共现关系”。两个词在同一条分析单元里同时出现，就算一次共现。分析单元可以是“同一句”“同一段”或“同一条评论”，具体选哪种，取决于你的文本长度。

如果你分析的是微博短文本，一条微博天然就是一个单元；如果你分析的是游记长文，建议先按段落切分，否则长文里的两个词即使离得很远也会被强行算成共现，造成虚假关系。

举例来说，下面三条评论里，“大理”和“洱海”在第一条中共现一次，“大理”和“客栈”没有在同一条里出现过，所以它们的共现次数是0，尽管第一、第三条分别提到了它们。

1 大理，洱海，阳光 2 泸沽湖，客栈，清澈 3 大理，丽江，客栈

把所有高频词两两配对，统计共现次数，就得到一个对称的共现矩阵。比如：

在这个矩阵里，“大理”出现在三条评论中的两条里，所以它和其他词的关系最多；而“泸沽湖”只出现在一条里，没有和其他高频词建立连接，在网络图里它就是孤立点。这就是“语义网络”的基本逻辑：节点是词，连线代表两个词有共现关系，连线的粗细代表共现次数。

ROST_CM6的“社会网络和语义网络分析”模块，本质上就是自动帮你完成这个统计过程，先生成共现矩阵，再生成网络关系数据。至于“社会网络”这个叫法，是借用了社会网络分析的方法论——把词语当作社会行动者来看待，研究它们的连接模式和结构位置。

3.2 在ROST_CM6里的操作与参数选择

在ROST_CM6界面中，找到“社会网络和语义网络分析”功能入口后，通常需要选择你希望分析的文本文件。这个文件建议直接用前面“分词后”的文本，而不是原始评论。原因很简单：分词后的文本天然就是一个个词加空格，共现统计更干净。

运行前要注意几个设置：

• 需要提取的高频词数量：一般先设50~80个，看结果再调整。数量太少图太单薄，数量太多图变成一团毛线。
• 最小共现次数：我建议初始设为2，即“两个词至少在两个分析单元中同时出现”才保留连线。小于2的关系往往只是偶然因素。
• 文本分块方式：如果软件可选按句、按段、按条，优先按句或按条。短文本场景用按条更符合语义直觉。

生成的结果一般会包含两类文件：一类是矩阵格式的共现数据，另一类是可直接导入网络分析软件的“节点—连线”关系文件。如果你在结果文件夹里看到类似“共现矩阵.txt”和“网络关系.txt”的文件，就说明这一步跑成功了。

这里特别提醒：ROST_CM6生成的可视化图通常比较简陋，节点位置是随机的，不适合直接用于论文或报告。我通常只把它当作快速预览，真正的网络图会导出到NetDraw或Gephi里重绘。

3.3 导出到Ucinet/NetDraw：格式与画图

如果你用的是Ucinet+NetDraw这条经典路线，最容易遇到的坎就是“文件格式不被识别”。ROST生成的矩阵文件有时是普通txt表格，Ucinet不一定能直接打开。

我常用的处理方式有两种。第一种是把共现矩阵在Excel里整理好，另存为CSV，再在Ucinet里用Import Excel功能导入。第二种是手动整理成DL格式，尤其是当词数没那么多的时候。

DL格式长这样：

DL N=5 FORMAT=EDGELIST1 DATA: 大理 洱海 1 大理 客栈 1 大理 丽江 1 客栈 丽江 1

其中N代表节点数量，后面每一行是“源节点 目标节点 权重”。对于无向网络，节点顺序无所谓。保存为txt后，在Ucinet里选择File -> Import -> DL File，就可以加载这张网络了。

用NetDraw打开后，我对参数调整的顺序一般是：

• 先说Recalculate Layout，通常默认的MDS布局太随意，先换成Force-Directed或类似布局；
• 节点大小按点度中心度显示，让核心词显眼；
• 连线粗细按共现频次显示，高频关系更醒目；
• 如果网络太密，考虑再降低节点数或提高最小共现阈值。

3.4 解读网络图的几个关键指标

网络图画出来之后，光看“哪个点在中间”是不够的。要放进论文章节里，至少需要三个指标：

点度中心度是最直观的。它表示某个词与多少其他词直接连接。点度中心度高的词，往往是整个语料的总主题。比如在云南景区评论里，“大理”“丽江”“风景”“客栈”的点度中心度通常最高，它们构成了游客谈论文本的核心骨架。

中间中心度衡量的是“桥梁”作用。如果一个词的中间中心度高，说明很多节点对之间的最短路径都要经过它，它把原本不直接关联的圈层连接起来。如果你发现“住宿”或“交通”这类词有很高的中间中心度，那它很可能就是游客体验结构中的关键枢纽。

网络密度则反映整体连接的紧密程度。密度接近1，说明几乎所有词都彼此共现，整体主题高度集中；密度很低，说明语料里的话题很分散。通常景区评论的网络密度不会太高，因为涉及的主题包括景点、餐饮、住宿、交通、情绪等多个层面，连线很难同时覆盖所有。

Ucinet里可以直接计算以上指标，NetDraw则提供交互式显示。在写结果部分时，把网络图的直观观察和Ucinet输出的中心度数据放到一起说，说服力会强很多。

4. 情感分析：词典法能到什么程度，怎么用才不会翻车

ROST_CM6的情感分析是典型的“词典匹配法”，原理可以概括成一句话：用一份积极词表和一份消极词表去扫描文本，遇到积极词加正分，遇到消极词加负分，再考虑否定词和程度副词的权重，最后把句子或文本判定为积极、中性或消极。

4.1 情感分析的操作与输出

在ROST_CM6里，进入情感分析功能后，你需要指定一个待分析文本文件。这个文件同样是一行一条记录，可以是评论、微博、访谈逐字稿里的某一句话。

除了文本文件，还需要挂载情感词典。软件自带一批基础词典，但你最好根据自己的研究对象去做增补。以景区评论为例，默认词典里可能没有“出片”“治愈”“踩雷”“宰客”这些词汇，如果不补充，它们就会被忽略或误判。

我通常会把词典分成四类：

• 积极情感词：美、舒服、值得、热情、干净、治愈、出片、推荐；
• 消极情感词：乱、差、贵、挤、脏、失望、踩雷、宰客、失望；
• 程度副词：非常、特别、极其、太、超级、有点、稍微；
• 否定词：不、没、没有、不太、并不、从未。

保存格式和自定义词典一样，每行一个词，文件编码建议统一为ANSI。

运行结束后，软件会输出一份情感统计结果，核心是这几类数据：

• 积极情绪文本数及占比；
• 中性情绪文本数及占比；
• 消极情绪文本数及占比；
• 按句子或分段标出的具体判定结果。

例如：

积极情绪文本数：42条，占46.7% 中性情绪文本数：30条，占33.3% 消极情绪文本数：18条，占20.0%

看到这类输出，别急着写进报告里。先问自己一个问题：这些比例代表的是“文本条数”的占比，不是“人数”的占比，也不是“句数”的占比。解释的时候，要严格遵守这个口径，否则容易被质疑。

4.2 词典法的天花板

我见过不少同学把ROST情感分析的结果直接当作“客观真相”，这是我一定要提醒的。词典法的天花板非常明显，至少有几类句子它会翻车。

第一类是否定与转折。“这个客栈硬件不错，但位置太难找了”，积极词“不错”和消极词“难”同时出现，如果软件没有设计复杂的否定/转折规则，就可能判定为中性，甚至完全错误。第二类是反讽和修辞。“真谢谢你，让我在假期里排了三个小时的队”，字面上是积极的“谢谢”，实际是强烈的负面表达，词典法识别不了。第三类是网络新词和方言梗。“这家店太魔幻了”，在不同语境里可能是夸奖也可能是吐槽，词典不会告诉你。第四类是无情感词的隐晦表达。“我凌晨两点才入住”，听起来是中性陈述，但没有说出口的不满才是真相。

这些局限不是ROST独有的，凡是基于词典匹配的模型，包括SPSS Modeler里的情感分析节点，都会遇到类似问题。它的优势在于“效率”和“可解释”，而不是“精确”。如果你想做一篇严谨的景区舆情分析，必须围绕ROST的情感结果做人工校验。

4.3 与LSTM/Python/Modeler的对比与组合

最近几年，“LSTM中文文本情感分析”“基于Python的景区舆情情感分析系统设计与实现——以云南热门景区为例”这类标题在论文库和社区里出现频率越来越高，很多人在纠结是否应该放弃ROST转投深度学习。

我的观点是：没有必要把两者对立起来，它们其实是不同阶段需要的东西。

如果你需要跑一个几千条样本的情感分类，并且有标注数据，LSTM或BERT这类模型显然比词典法强。它能学会“虽然……但是……”这类复杂句式，也能识别部分反讽，准确率可以远超词典法。但代价是要准备标注样本、搭建训练环境、调整参数，整个流程对非技术背景的研究者来说，学习成本非常高。

SPSS Modeler的情感分析模块则更偏商业流程，适合企业做标准化项目，操作上同样需要购买软件和模型配置，对普通研究者来说不一定友好。

我自己的组合思路是：先用ROST_CM6快速粗筛一遍，得到积极、中性、消极的分布，并对低频冲突文本进行定位；再从每个类别中抽取几十条做人工编码，计算ROST结果的准确率。准确率如果超过70%，说明语料的表达方式相对直白，ROST结果基本可用；如果低于70%，我再考虑用Python做一版细颗粒度的分析，或者把简单规则升级。

这个组合方式最大的好处是省时间：ROST让我在没有编程成本的情况下先理解数据，编程工具负责在最需要精度的地方兜底。

5. 实操避坑：编码、词表、矩阵稀疏与结果校验

这块内容是我最想分享的。ROST_CM6作为一款常年迭代的老牌工具，不少问题并不是“功能缺失”，而是使用者对它的文件要求理解不够。我把这几年见过和踩过的坑归纳成几个高频问题。

5.1 编码与文件格式的坑

如果你导入文本后看到乱码，或者分词结果全是黑块，大概率和编码有关。ROST_CM6很多历史模块基于ANSI编码设计，对UTF-8的兼容并不彻底。我的一般流程是：在Windows上用记事本或Notepad++准备文本，最后统一保存为ANSI。

还有一种情况是文件命名带了中文或空格，某些老版本组件可能读取失败。这时候把文件名改成简单的英文字母，如“data.txt”“dict_user.txt”，往往就解决了。

另一个不常被提到的是文件末尾的空行问题。有些批量导出工具会在每行末尾加一个看不见的换行符或空行，ROST会把它当成一条空白记录，在情感统计结果里生成一条“未知文本”。遇到这种情况，清洗阶段就要把末行清干净。

5.2 词表和分词粒度的坑

自定义词典失效，是新手最容易困惑的问题。表面上看，词表文件已经放在那里了，界面里也指定了，但分词结果仍然把“泸沽湖”切成两半。排查顺序是这样：

• 检查词表编码是不是ANSI；
• 检查词表文件是不是有空行或每一行末尾有空格；
• 检查词表路径是否包含中文和特殊符号；
• 检查界面里指定的是不是自定义词典那一个文件，而不是默认词典。

如果你用“自动分词”功能，它可能会自动识别词表位置，也可能会导致你手动指定的词表被忽略。稳妥做法是手动选择词表。

分词粒度的问题没有统一正确答案，完全取决于研究视角。做饮食类舆情，你希望“过桥米线”是一个词；做语法研究，你可能希望拆开看。所以不要问“ROST的分词准不准”，要问“我的词表有没有把我的研究对象保护起来”。

5.3 共现矩阵稀疏的应对

共现矩阵稀疏，网络图呈现为几个散落的孤岛，这是文本量不足的典型症状。如果你只有三四十条评论，共现矩阵里大多数格子都是0，画出来自然不连通。面对这种情况，我有几个处理手段：

• 把样本量扩到至少100条以上，再重新运行；
• 把分析单元从一个短句扩成完整评论，让词对共现机会增加；
• 降低最小共现次数的阈值，从2降到1，但要标注“基于单次共现，结果仅供参考”；
• 缩小分析词表范围，只留下研究关注的核心实体词，不要把所有形容词都丢进去。

有人会问，直接提高高频词数量是不是更好？不一定。前100个高频词里包含大量程度副词和连接词，即使过滤过一轮，依然会有噪声。所以我更推荐优先做“关键词压缩”，把矩阵里的节点数量控制在30~50个，比追求100个节点更有解释力。

5.4 如何给情感分析结果做校验

情感分析的结果校验，是写论文时最容易被审稿人追问的环节。我推荐一个低成本且有效的办法：人工抽样比对。

具体操作是这样的：从ROST判定的积极、中性、消极三类文本中各随机抽取20~30条，请两个了解研究背景的人（或者你自己加一个编码规则）独立打标。然后把人工标签和ROST标签做对比，计算整体一致率，再分别算三个类别的一致率。例如：

这个例子里，总一致率是69/90。如果两个编码员之间也要算一致性，可以用Kappa系数，Excel或简单在线工具都能算。把这份表格附到论文或报告里，情感分析结果的可信度会立刻提升。

如果校验后发现ROST判“中性”的文本里混了大量“上有政策下有对策”式的隐晦表达，说明应该补充词典或转用更复杂的模型，而不是直接在报告里使用这套结果。

6. 最省力的组合：ROST做初筛，Python做深挖

如果你最后问我，现在做文本分析到底该怎么选工具，我会给一个比较省力的组合建议，这条路线也是我自己多个项目里验证过效率最高的。

第一遍用ROST_CM6完成全流程初筛。从文本清洗开始，到词频统计、共现矩阵生成、情感倾向分布，全部跑通一遍。这个阶段的目的不是拿到最终结论，而是快速了解语料的基本盘：涉及哪些实体、哪些主题频繁共现、情绪大致是正还是负。

第二遍根据初筛结果确定“深挖点”。如果词频表里“客栈”频繁出现，你就在原始文本中检索所有含“客栈”的句子，做一次单独的情感分布或语义网络分析；如果共现网络里出现了一个高中间中心度的词，比如“交通”，就说明它连接着景区体验的其他方方面面，值得单独展开。

第三遍再决定是否使用Python。当样本量很大（超过几千条）、句子表达复杂、或者你需要更细粒度的情感数值时，用LSTM或者简单机器学习模型，能有效弥补词典法的不足。而从ROST里得到的高频词表和主题类目，正好可以作为模型特征筛选或人工标注框架的基础。

有一句话我经常在带新人的时候说：工具是为问题服务的，不是为了炫技存在的。ROST_CM6也许不像深度学习模型那样有“酷”的光环，但它的产出是可读、可检查、可讨论的，这在很多实际问题里就是最大的优势。把它当作第一道筛子，后面再用更复杂的工具去做精细活，你会发现整个研究流程一下子顺畅了很多。