3. 热点题材的识别与标注

在热点题材生命周期统计分析中，第一步不是统计，而是把“热点”从海量文本中稳定地识别出来，并转成可计算、可复核的标签。识别解决“机器认为什么可能是热点”，标注解决“人确认它是什么热点、属于哪个题材、处在什么阶段”。两者缺一不可：只靠算法会引入噪声和漂移，只靠人工则无法覆盖规模。本节围绕关键词、文本聚类、情感分析三类识别方法展开，并给出可落地的人工标注流程与标注规范。

一、三类识别方法的分工与实现要点

关键词识别是最直接的一层。做法是先构建题材词典，再对文本做匹配与加权。词典不是简单罗列词，而应包含“题材名—核心词—关联词—排除词”四类条目。例如“低空经济”题材，核心词可含“eVTOL、通航、无人机物流”，关联词含“空域管理、适航审定”，排除词用于剔除“无人机航拍”这类消费电子语境。匹配时对标题、正文、评论赋不同权重（示例：标题 3、正文 1、评论 0.5），再按日聚合得到题材热度分。关键词法的优点是解释性强、可审计，缺点是依赖词典维护，对新词、谐音、缩写不敏感，因此需要配合新词发现（如按日统计突增的未登录词）定期回流词典。

文本聚类用于发现词典未覆盖的潜在题材。常用流程是：分词去停用词→向量化（TF-IDF 或句向量）→聚类（如 K-Means 或层次聚类）→对每个簇抽取代表词与代表文档。工程上更实用的是“先粗后细”：先用关键词把已知题材的文本分流，剩余文本再聚类，簇内文档数超过阈值（示例：单日 ≥30 篇且连续 2 日增长）即作为候选新题材提交人工研判。聚类结果必须保留簇内代表文档，否则标注人员无法判断簇的真实含义。

情感分析不直接定义热点，而是刻画热点的“温度与方向”。同一题材下，正面情绪占比高、情绪强度上升，往往对应题材发酵期；负面情绪集中爆发，则可能是风险事件驱动的短期热点。实现上可用情感词典打分或预训练模型输出正/中/负概率，再按题材聚合为“情绪均值 + 负面占比 + 情绪变化率”三个指标。需要注意，财经与产业文本中的反讽、引用、否定句式容易误判，因此情感分只作为辅助信号，不单独作为热点判定依据。

二、人工标注流程：从候选到标签

候选池生成后进入人工标注。建议采用“双人独立标注 + 一致性质检 + 仲裁”的流程，而不是单人直接定稿。具体步骤如下：

1. 任务分派：按日期与题材切分批次，每批不超过 200 条候选，避免标注疲劳导致标准漂移。
2. 独立标注：两名标注员在互不可见的情况下，对每条候选填写四个字段——是否构成热点（是/否/待定）、归属题材与子题材、生命周期阶段（萌芽/发酵/高潮/退潮）、驱动类型（政策/技术/事件/资金）及置信度（1–5）。
3. 一致性计算：以“是否构成热点”和“归属题材”为主字段计算 Cohen's Kappa。示例阈值：Kappa ≥ 0.75 视为可接受；0.6–0.75 需复盘规范；低于 0.6 则暂停标注、重新对齐标准。
4. 仲裁：不一致样本交由第三人（通常是规范制定者）裁定，裁定理由写入标注日志，作为规范迭代的素材。
5. 回流：把仲裁中发现的漏词、误词、阈值问题回写到词典与规则，形成闭环。

三、标注规范：把判断标准写成可执行条款

标注规范的核心是把模糊判断转成可核对的条件。以下是一份可直接参考的规范要点（示例，可按实际业务调整）：

规范中还应明确“排除情形”，例如：纯广告软文、与题材仅字面重合的消费场景、无新增信息的重复转载，均不计入热点文档。排除条款越具体，标注一致性越高。

四、一个可复现的判定示例

假设某日“固态电池”题材候选池记录如下（示例数据，非实测）：当日相关文档 46 篇，前 7 日均值 18 篇，热度分由 21 升至 58，正面情绪占比 0.62，负面占比 0.11，首篇高权重文档为某部委发布的技术路线图征求意见稿。按上表规则：文档量 46 ≥ 20、信源覆盖 5 家、热度分涨幅约 176% ≥ 50%，判定“构成热点”；驱动类型记为“政策”；因连续放量且情绪转正，阶段记为“发酵”，置信度 5。若另一候选仅有 9 篇文档且全部来自同一自媒体，则判“否”，并在日志中记录“信源单一”。

把识别、标注、质检、回流串成闭环后，后续的生命周期统计才有可靠输入：每个题材每天都带有可追溯的标签、阶段与置信度，统计结果才能解释“为什么这个题材被算作热点”，也才能在复盘时定位是词典漏词、聚类误合并，还是标注标准本身需要修订。