关键词分组聚类

工具说明

把几百个搜索词摊在表格里很难看出结构，人工归类一两个小时是常事。本工具用词根共现的思路自动分组：高频出现的二字组合往往就是主题——比如一批词里反复出现「图片」「PDF」「单位」，那么围绕这几个词根就能分成三组。

算法逻辑

1. 对每个关键词按设定的词根长度切出所有连续子串（如「图片压缩」切出「图片」与「片压」）。
2. 统计所有词根的出现次数，按频次从高到低排序。
3. 依次取词根作为分组名，把包含该词根且尚未归组的词收进这一组。
4. 一个词只进一个分组——先被高频词根收走的词，不会再进入后面的组，避免重复统计。
5. 始终未被任何词根收走的词，进入未归类列表。

词根长度怎么选

• 2 字词根：默认，粒度细、分组多，容易发现细分方向，但可能出现「片压」这类无意义的组合。
• 3 字词根：粒度适中，更接近真实短语，适合中文为主的词表。
• 4 字词根：粒度粗、分组少，适合快速看大类，但可能会把不同主题混在一组。

分组结果怎么用

分组的主要用途是找结构：组名往往可以直接当栏目名或专题名，组内的词就是该栏目下的选题清单。如果某一组特别大，说明这个主题下内容需求旺盛，值得优先投入；如果某个词始终归不了组，说明它与现有主题关联弱，可能需要单独考虑。

你可能还想问

为什么有些词被分到了看起来不相关的组里？

因为算法只按字面词根匹配，不理解语义。比如「单位换算」与「换算工具」都会包含「换算」，于是被分到同一组，这在字面上是合理的。要减少这类情况，可以把词根长度调大，或者手工把明显不合适的分组调整一下——工具负责把明显成团的词聚起来，最终归类还是要结合业务理解。

英文关键词怎么处理？

英文按空格分词后以单词为单位参与聚类，词根长度参数对英文不生效。中英混排的词表也能处理，中文部分走字符切分、英文部分走单词切分，两类词根统一按频次排序。需要注意英文单词的大小写会被统一成小写后再统计，避免同一单词被算成两个词根。

一个词只进一组，会不会漏掉信息？

会丢一部分交叉信息，但这是刻意的取舍。如果允许一个词进多个组，分组之间会大量重叠，反而看不出结构。需要看某个词的全部关联时，可以在词表里搜索该词，它出现在哪些词里一目了然。当前算法优先保证的是「结构清晰」而不是「信息完整」。

聚类结果稳定吗？

稳定。算法没有用到随机数，同一份词表与同一组参数每次都得到相同结果。唯一需要注意的是词根的排序依据是频次，频次相同时按字面顺序排列，所以结果可复现，便于多轮对比不同参数的效果。

相关工具

相关内容