简介：ROST CM6是武汉大学沈阳教授研发的国内目前唯一以辅助人文社会科学研究的大型免费社会计算平台，定位文本分析工具，可完成微博分析、聊天分析、全网分析、网站分析、浏览分析、分词、词频统计、英文词频统计、流量分析、聚类分析等多种任务，适合需要处理非结构化文本、开展内容挖掘的师生与科研人员。压缩包共162个文件，大小仅8.57MB，内含93个txt说明或数据文件、21个dat数据文件、18个exe可执行程序、5个dll动态库及config、cmd等辅助文件，既有软件主程序，也有配置脚本与示例数据，便于完整运行与测试。包内还提供解决运行异常的辅助脚本和帮助文档，可帮助读者快速排除启动问题，并理解各文件在软件运行中的用途。已有9904人学习/下载，体积轻量、便于使用，是进行词频统计与文本分析的实用选择。

1. 词频统计软件 ROSTCM6：为什么做内容分析的人还离不开它

手里攒了几百份访谈记录或评论数据，想快速知道大家反复在说什么，最常见的诉求就是词频统计。用 Excel 做筛选排序，数据一多就卡；用 Python 做分词统计，还得先搞定环境和依赖。词频统计软件 ROSTCM6 这类桌面工具，恰好卡在中间：不需要写代码，导入纯文本文档点几下，就能输出高频词表、词频分布和词共现关系。它的优势不是算法多先进，而是把文本挖掘里最常用的一小段流程——分词、统计、排序、导出——做成了普通人能直接上手的桌面软件，尤其适合人文社科研究者、产品运营和做内容分析的业务人员。

我第一次用它是被一个做访谈编码的同事带的。当时要处理三百多份开放题回答，用 Excel 的 COUNTIF 按关键词逐个数，数到后面连他自己都怀疑漏项。换成 ROSTCM6 之后，整个流程从半天缩短到几分钟。它输出的高频词表虽然还要人工清洗，但至少把“哪些词值得看”这个问题快速变成了可操作的结果。这篇笔记就按我自己的使用路径来写：先说清楚它的统计逻辑和文件约定，再讲完整操作步骤、参数怎么调，最后把常见翻车点和进阶用法一并交代。

2. ROSTCM6 的词频统计逻辑：分词、编码与结果文件的约定

2.1 词频统计的前置条件：纯文本输入与编码约定

ROSTCM6 不是拿来就能吃任意数据的工具。它的输入格式非常朴素，核心要求就是纯文本文件，扩展名通常为 .txt。Word 文档、PDF、网页拷贝的内容都不能直接导入，需要先转成纯文本。这一步看着简单，实际是后续所有统计是否可靠的前提。因为富文本里混着格式符、换行符和不可见字符，软件在读取时要么直接报错，要么把一段话拆得七零八落。

编码是比格式更容易踩坑的地方。照我的经验，ROSTCM6 的多数版本对 UTF-8 编码支持较好，但也有些流传的版本只认 ANSI 或 GBK，不同版本表现不一致。你拿到的安装包如果是从别人那里拷的，很难确定具体是哪一次编译的版本。我的习惯是准备文本时先存成“UTF-8 无 BOM”，如果导入后中文乱码，再另存一份 ANSI 编码的副本试试。不要用带 BOM 的 UTF-8，因为 BOM 头会被当成字符统计进去，导致所有词频都异常。

文件内部也有约定。一个 txt 文件里的每一段或每一行，会被软件当作一个独立的分析单元。比如做访谈文本分析时，我会让每个被访者的回答单独占一段；做评论分析时，让每一条评论单独占一行。这样统计出来的“段落数”或“行数”才有意义，后续做共现分析或情感归类时，也能把词和目标文本对应起来。

# 批量转码脚本：把所有 txt 统一转成 UTF-8 无 BOM import os from pathlib import Path src_dir = Path("./raw_texts") out_dir = Path("./clean_texts") out_dir.mkdir(exist_ok=True) for p in src_dir.glob("*.txt"): raw = p.read_bytes() # 依次尝试常见编码，找到能完整解码的那一种 for enc in ("utf-8-sig", "gbk", "ansi", "utf-8"): try: text = raw.decode(enc) break except UnicodeDecodeError: continue # 统一写成 UTF-8 无 BOM (out_dir / p.name).write_bytes(text.encode("utf-8"))

这个脚本解决的是“手上文本编码不统一”的常见问题。核心逻辑是逐个尝试常见编码，找到一个能完整解码的版本，再统一输出为 UTF-8 无 BOM。你操作时不一定需要跑脚本，如果文本本来就是一个来源导出的，直接在记事本里另存为 UTF-8 编码就行。但如果你拿到的是多个渠道汇集的 txt，文件名后缀一样、实际编码却不同，这个脚本能省下大量手工转换时间。

2.2 分词是词频的黑匣子：为什么统计结果会“丢词”

ROSTCM6 的词频统计不是简单数空格之间的字符串，它内置了分词模块。中文文本没有天然词边界，软件需要根据内置词典把句子切分成词语，再做频次累加。所以词频结果的可信度，很大程度上取决于分词词典覆盖得怎么样。

默认词典对通用语料表现尚可，比如“我们”“问题”“觉得”这类常见词能正确切开。但遇到专业术语、人名、地名、新造词，就会出问题。比如“机器学习”可能被切成“机器”和“学习”，“健康码”可能被切成“健康”和“码”。这不是软件故意丢词，而是词典里没有收录这些复合词。分词不准，词频表里就会出现大量碎片化的单字或双字词，真正有分析价值的术语反而统计不到。

ROSTCM6 提供自定义词表的功能，把需要整体识别的词提前塞进词表里，分词时它就会优先按词表匹配。这个功能我用得最频繁。每次接一批新语料，第一步不是急着统计，而是先跑一遍默认词表，扫一眼结果里有没有被切碎的专业词，把该合并的合并、该加词表的加进去，再重新统计。第一次跑出来的词频表，永远只能当参考，不能当结论。

2.3 ROSTCM6 能输出什么：高频词表、行特征与词共现矩阵

词频统计只是 ROSTCM6 的入口，同一套文本切分结果还能导出几种不同形态的数据。最常用的是高频词表，字段一般包括词条、词频、词性等，按频次降序排列，直接复制到 Excel 里就能排序和筛选。对于大多数内容分析场景，这张表已经够了：高频词反映整体关注点，对比不同组别的高频词表就能看出差异。

第二类是行特征或段落特征，软件会按输入文件的每一段统计词频。这个数据对做访谈编码特别有用，可以知道某个关键词集中在哪些段落里出现，快速回原文定位上下文。第三类是词共现矩阵，统计两两词在同一段落或同一行中同时出现的次数。这个矩阵是做社会网络分析的素材，把高频词作为节点、共现次数作为边，就能画出关键词网络图。

需要明确的是，这些输出都是围绕同一套分词结果展开的。分词语料质量差，词表、共现矩阵全都会失真。所以我建议把精力优先放在文本准备和词表维护上，那才是 ROSTCM6 真正的“参数调节”。

3. 从拿到安装包到跑出第一份高频词表：完整操作路径

3.1 软件获取与环境准备：Windows 下的安装注意点

ROSTCM6 的安装包不是通过软件商店分发的那种标准安装程序，多数时候是从某高校团队或同行手里流传的压缩包。这类软件的使用习惯是解压即用，没有复杂的注册流程。我拿到之后第一件事是解压到一个纯英文路径下，比如 D:\rostcm6，避免中文目录名引发编码异常。

运行环境上，ROSTCM6 是 Windows 桌面软件，对系统版本和硬件没有特别要求，XP 到 Win11 都能运行。需要注意两点：一是杀毒软件可能会对这类非签名软件发出警告，介意的话添加信任或白名单即可；二是尽量以管理员身份运行，尤其是在 Win10 及以上系统，否则有时写入词表或导出结果会提示权限不足。

如果双击启动没反应，先检查解压目录下是否有完整的运行文件，常见问题是压缩包没解压全，或者杀毒软件隔离了部分组件。我遇到过启动后界面不显示的怪事，原因是窗口被系统移到了屏幕外，用 Alt+Space 调出窗口菜单选“移动”就好。这类小问题不值得费时间深究，能跑起来就行。

3.2 准备测试语料：为什么先用小样本文本摸底

正式分析前，强烈建议先做一次小样本试跑。拿 20～50 段文本测试，确认分词效果和输出格式符合预期，再跑全量语料。这样能及时发现编码和格式问题，避免跑完几千个文件后才发现结果全是乱的。

测试语料我通常手工整理。打开记事本，输入几段包含具体名词、常见动词、叠词和标点符号的文本，每段一行，保存为 UTF-8 无 BOM 的 txt。这个测试文件要刻意包含一些容易切错的复合词，比如“人工智能”“区块链”“高质量发展”，用来检验自定义词表是否生效。

人工智能正在改变制造业的生产方式。 高质量发展需要高质量的产业链支撑。 消费者对产品质量的反馈越来越细致。 产品质量和售后服务是用户最关心的两个因素。 区块链技术在供应链管理中有应用前景。

这五行文本是我常用的一种测试结构：包含重复出现的词（质量、产品、发展），包含专业术语（人工智能、区块链、高质量发展），包含容易混淆的上下位词。跑完这五行，看“产品质量”是否被拆成“产品”和“质量”，“高质量发展”是否被拆散，就能基本判断分词配置是否正确。

3.3 进入词频统计界面的操作顺序与参数设置

ROSTCM6 的功能分区在主界面上就能看到，词频统计属于“功能性分析”里的基础模块。点开后界面分为左侧文本区、右侧控制区和下方结果区。操作顺序是固定的：先加载文件，再设置参数，最后执行分析。

加载文件时，软件通常会提示选择 txt 文件或直接粘贴文本。如果选择文件，注意文件体积，几百 MB 的大文件容易让软件卡死，建议按批次拆分处理。参数设置区需要关注的只有三个核心项：最小词长、过滤词表、自定义词表。最小词长控制保留几字以上的词，过滤词表用来剔除“的、了、是”这类无意义虚词，自定义词表用于锁定专业词汇。

参数设置界面的常见问题是不清楚每个字段的限制，下面这张表是我按实际使用整理的参考：

设置完参数后，直接执行分析。统计过程通常几十秒内完成，结果区域会显示高频词表。点击导出按钮，把结果保存成 txt 或直接复制到 Excel。到这里，第一份词频表就拿到了。

3.4 结果文件里有什么：字段含义与常见形态

导出后的词频文件，通常包含词条、词频两个核心字段。部分版本还可能附带词性标注，但词性参考价值有限，不建议作为分类依据。文件的排序一般是词频降序，前几行永远是“的”“了”“和”这类虚词，这是正常的，过滤词表只能减少它们，不一定能完全清掉。

如果你发现词频表里大量出现无意义的单字，而且字数不止一两个，基本可以判断是分词模块没有正确启用自定义词表。回头检查词表文件的编码是否与软件要求一致，词表里的词是否包含空格或不可见符号。这些都是高频问题，后面章节会专门展开。

4. 影响词频结果的三类参数：过滤、合并与自定义词表

4.1 最小词长与过滤词表：为什么满屏都是“的、了、和”

初次跑词频的人都会遇到同一个现象：结果表里最前面一屏几乎是清一色的虚词。这是分词统计的正常结果，虚词出现频次天然高，如果不处理，它们会占据词频表前列，真正的实义词全被挤到后面。解决办法是过滤词表。

ROSTCM6 的过滤词表是一个文本文件，每行一个词。软件在统计时会跳过这些词。维护过滤词表的习惯是：每跑一轮新语料，就把高频虚词和不具分析价值的词加进去。比较常见的过滤词包括“的、了、是、在、和、有、啊、呢、这、那、也、都、就、而、及、与、着、或”。不要一次性把表写得太全，因为不同语料的虚词分布不同，比如政策文本里“要”的出现频次很高，评论文本里“感觉”出现频次很高，过滤词表最好根据实际结果迭代。

最小词长是一个容易被忽略的参数。如果设为 1，统计结果里会混入大量“人、大、小”这类单字；如果设为 3，又可能丢掉“质量”“服务”这类高频双字词。我的默认设置是 2，特殊情况再调整。做英文文本分析时，最小词长通常要改成 3 或 4，因为英文单词最短的就是两三个字母，但中文分析里设为 2 几乎不会错。

4.2 自定义词表 vs 默认词表：行业词被拆散的解法

默认词表覆盖的是通用语料，行业语料里真正有价值的是那些专有名词和固定搭配。举一个典型的例子：如果文本里大量出现“客户满意度”，默认分词会输出“客户”“满意度”甚至“客户满意”和“度”，统计结果被切碎之后，你无法知道“客户满意度”到底出现了多少次。

自定义词表的本质是给分词器提供一份优先匹配列表。把“客户满意度”作为一个词条加入词表后，分词器遇到这段文字时会优先整体识别。这里有一个细节需要注意：自定义词表中的词语之间不要有空格、逗号或其他分隔符以外的符号，一个词一行，否则词表加载时会报错或识别失败。

我一般这样组织词表文件：

客户满意度 高质量发展 人工智能 区块链 跨境电商 直播带货

每一行一个完整词条，不写注释，不用引号。保存时注意编码要与软件要求一致，我用的是 UTF-8 无 BOM。词表生效后，重新执行统计，就能看到原来的碎片词频下降、整体词条出现在高频词表前列。

4.3 词表文件格式与加载失败排查

自定义词表和过滤词表看起来都是 txt，但有三个常见问题会让词表加载失败。第一个是编码不对。同一份词表，在 ANSI 编码下保存，换到只认 UTF-8 的版本里就显示乱码或全部失效。排查方法很简单：用记事本打开词表文件，另存为时选择目标编码，换一种编码再试一次。

第二个是文件里存在空行或空格。词表文件的每一行末尾如果带了空格，分词器会认为这个词本身就包含空格，导致匹配失败。检查方法是把词表文件放到支持显示空格的编辑器里，逐行看结尾。第三个问题是词表文件名被改动了。ROSTCM6 有时通过固定文件名识别词表，比如默认读取某个名为 user.txt 的文件，如果你另存为其他名称，软件可能找不到。遇到这类情况，我一般直接复制原文件名覆盖保存，而不是新建文件。

4.4 为什么第一次统计结果和预期差很多

这里有一个容易被忽略的流程问题：修改词表之后，很多人忘了清空上一次的统计结果，导致新表和旧表叠加显示。ROSTCM6 的界面操作是先清空结果区，再执行新统计。如果不清理，当前显示的可能是多次统计结果的混合状态，看起来非常混乱。

另外，语料本身的格式也会影响结果。同一篇文章，如果每句话都换行，和整段连续排布，分词统计出的词频差异不大，但共现分析会完全不同。因为共现的判定单位是“行”或“段”。如果你的原始文本每行只有几个字，共现矩阵会变得极其稀疏，几乎找不到有意义的同现词对。做共现分析前，一定要确认输入文本的分段方式符合分析目标。

5. ROSTCM6 的避坑清单：软件崩溃、乱码与统计偏差的排查路线

5.1 现象一：打开文本后中文全部变成乱码

原因基本可以锁定在编码上。ROSTCM6 只认特定编码的纯文本，如果文件是用带 BOM 的 UTF-8 或 GB18030 保存的，加载时就会出现乱码。排除方法：先用记事本打开原始文件，另存为 UTF-8 或 ANSI 编码，再导入一次。如果另存为之后正常，说明原文件编码不匹配。另一个隐性原因是文本文件里混入了 Unicode 控制字符，比如从网页复制内容时带进来的零宽空格，肉眼看不到，但分词器会踩坑。

解决思路：不要直接在 ROSTCM6 里粘贴网页复制的文本，先粘到记事本里清一遍格式，再保存为 txt。批量处理时用文本预处理脚本统一转码，清理掉非可视字符。

# 清洗文本中的零宽字符和多余空白 import re from pathlib import Path p = Path("./clean_texts/sample.txt") text = p.read_text(encoding="utf-8") text = text.replace("\u200b", "").replace("\u200c", "").replace("\u200d", "") text = re.sub(r"[ \t]+", " ", text) # 多个空格合并为一个 p.write_text(text, encoding="utf-8")

这个脚本是针对网页拷贝文本的预处理。零宽字符在普通文本编辑器里看不到，但会干扰分词匹配，导致词频统计结果里出现莫名其妙的空白词条。运行脚本后，再用 ROSTCM6 导入，乱码和怪词条通常都能消除。

5.2 现象二：运行到一半突然卡死或闪退

多半是输入文件太大或文本格式异常。ROSTCM6 对超大文件的处理能力有限，我试过跑 200 MB 的纯文本，跑到分词阶段直接无响应。解决方法是把大文件按时间、来源或章节拆成若干小文件，逐个分析，最后手工合并结果。拆分的另一个好处是出现异常时能快速定位是哪个批次的问题。

闪退的另一个常见原因是文件里包含特殊字符，比如全角引号、破折号、特殊空白。软件在分词时遇到无法解析的字符，可能触发异常导致程序退出。排查时先把文本切成两半，用二分法定位问题文件的范围，再把问题段落单独存出来逐行看。把特殊符号替换成通用符号后，问题基本就解决了。

5.3 现象三：同一个词在词频表和原文里对不上

这一条最让人头疼，因为表面上看软件没有报错，但统计数字明显不对。常见原因是词表编码不一致：自定义词表以 UTF-8 保存，但软件按 ANSI 解析，导致词条全是乱码，匹配自然失败。结果就是你的专业词被当成了普通文本重新切分，词频分散到了各个碎片上。

另一个原因是统计单位的选择问题。ROSTCM6 有时需要你指定按“字符”“词”“行”还是“段落”进行统计，默认设置不同，结果差异极大。如果你选的是按字符统计，那么“客户满意度”会被拆成六个字符逐个计数，数字当然和原文对不上。误用字符统计是新手常见的操作偏差，我打开统计设置时会下意识确认统计单位是不是“词”。

5.4 现象四：过滤词没有生效

过滤词表加载成功但统计结果仍有大量“的”“了”，原因不是软件坏了，而是过滤词表的匹配逻辑。分词器先把句子切成词，再拿每个词去过滤表查。如果你的过滤词表里写的是“的”但语料里出现的是“的的确确”，分词后得到“的的确确”，并不会被过滤。另一种情况是过滤词表文件里词与词之间用了逗号分隔，软件可能把整个逗号连接的内容当成一个词，导致所有过滤词都不生效。

解决方法是严格按一行一词的格式维护过滤表，不要用逗号、顿号或空格分隔。保存时确认编码一致，然后在界面上重新加载词表，再执行统计。这个流程多走一遍，基本能排除大部分“参数没生效”的问题。

6. 把词频结果用起来：多文本对比与词簇延伸的三个进阶技巧

6.1 技巧一：分组跑词频，用差异词发现关键信息

单张词频表只能告诉你“什么词出现得多”，不能告诉你“哪些词是这个群体特有的”。想要发现差异，就把数据按维度拆开，分别跑词频，然后对比两组高频词表。比如用户评论分成正面和负面两组，各跑一份词频表，两组都高频的词是共同关注点，只有负面组高频的词往往是投诉焦点。

对比时可以直接用 Excel 的 VLOOKUP 把两组词频匹配到一张表里，算差值。按差值降序排列，排在最前面的就是区分度最高的词。这个方法比看单张词频表有效得多，因为它能自动把共性的高频词过滤掉，留下真正的特征词。我每次做完分组词频对比，都会把 Top 20 差异词拿出来逐条读原文，确认差异是真实的而不是分词误差造成的。

6.2 技巧二：用外部工具交叉验证分词结果

ROSTCM6 的分词质量不是百分之百可靠，关键结论最好用其他分词工具交叉验证一遍。我常用的方式是拿同一段文本，放到 Python 的 jieba 分词里跑一遍，对比 ROSTCM6 的分词结果。虽然两者词典不完全一样，但核心词汇的切分结果应该高度一致。如果发现某个专业词两边切得不一样，就以更合理的一侧为准，把这个词加入 ROSTCM6 的自定义词表。

import jieba text = "人工智能正在改变制造业的生产方式" words = jieba.lcut(text) print(words) # ['人工智能', '正在', '改变', '制造业', '的', '生产方式']

这段代码只是交叉验证用的辅助手段。运行结果里如果出现“人工”和“智能”分开的情况，说明当前 jieba 词典也没有收录这个词，需要加载自定义词典。实际工作中我不会每次都用外部工具，但涉及关键术语频次时，交叉验证能避免因分词黑匣子导致结论翻车。ROSTCM6 的词频统计适合做探索性分析，严谨的学术报告仍建议对重点关键词做一次准率抽查。

6.3 技巧三：高频词与原始文本双向跳转，让词频表不再孤立

词频表本身只是数字，它的价值要回到原文才能释放。我的操作习惯是拿到高频词表后，挑出前 30 个有分析意义的实义词，用这些词回到原始文本里做二次检索。ROSTCM6 的词频结果如果支持行号对应，就按行号定位原文；如果不支持，就把高频词作为关键词在原始文件里搜索，看它出现的上下文语境。

对于做访谈编码或者开放题归类的人来说，这个习惯尤其重要。高频词表能告诉你“用户在说什么”，但只有回到原文才能告诉你“用户为什么这么说”。词频统计软件 ROSTCM6 解决的是第一步——把意义从大规模文本里捞出来；第二步的语义判断仍然要人来做。我把这个流程固化成了自己的分析习惯：先跑词频，再列差异词，再回原文验证，最后才下结论。词频统计结果宁可多交叉验证一次，也不要让一个错误的分词结论影响整份报告。这套流程走下来，遇到过的问题基本都有对应的解决路径，希望帮到你。

本文还有配套的精品资源，点击获取