本節來源於阿里雲棲社群，同時正在開發一個輿情平臺，其中他們釋出了一篇他們所做的分析流程，感覺可以作為案例來學習。文章來源：覺民cloud/雲棲社群

一般熱詞分析歷經：分詞、關鍵詞提取、詞關聯計算、熱度計算

一、分詞

主要是詞包大法，你懂得，阿里詞包都不用自己寫，本身一大堆啊！！！厲害了word哥：公眾趨勢分析背後有百萬級的人名、品牌、地址、組織機構名、商品、品牌詞庫等做支撐。
萬能詞包啊！！！
.
.

二、關鍵詞提取

如何在一篇長文字中挑出關鍵詞呢？ 在一定程度也就是等於找詞權重，一種衡量一個句子裡面詞語重要性指標，其他方法可見部落格：
NLP︱句子級、詞語級以及句子-詞語之間相似性（相關名稱：文件特徵、詞特徵、詞權重）

那麼，該輿情平臺使用的是：TextRank演算法為文字生成關鍵詞。

TextRank的演算法思想來源於PageRank，旨在通過文字中句子、詞之間的相互投票，為句子、詞進行權重的排序。PageRank假設一個網頁的入鏈越多，則其權重越高。隨機地為每個網頁分配一個初始權重，在每一輪投票中，每個網頁將其權重均勻地分配給其出鏈，收斂後（平穩馬爾科夫過程）每個網頁得到的權重值反映了其重要性，每輪投票的數學表述為：

其中d為阻尼係數，（1-d）/N表示每次頁面轉移時有一定的概率會從全網隨機選擇url，這樣可以避免沒有外鏈的懸掛網頁讓所有權重收斂到0。

PageRank通過頁面之間的連結關係建立投票機制，TextRank以此為啟發，通過詞之間的鄰近關係建立詞權重投票機制，即假如兩個詞出現在同一個視窗中，則它們之間產生一次權重投票，這樣可以通過PageRank的求解方法，計算每個詞在文字中的權重。得到權重的排序之後，就可以挑選topN詞作為關鍵詞了。

.
.

三、詞關聯計算

該平臺使用的是互資訊.
詞關聯使用點互資訊PMI（pointwise mutual information）來表示，用資訊理論的語言來表述，點互資訊衡量的是“給定一個隨機變數後，另一個隨機變數不確定性的減少程度”。假設有兩個詞x和y，則x和y之間的點互資訊由下述公式表示：

其中p(x,y)表示x和y同時出現的概率，p(x)和p(y)分別表示x和y單獨出現的概率。簡單粗暴地理解，就是說相對於單獨出現，某兩個詞更喜歡一起出現，則它們之間的關聯程度越高。

.
.

四、詞熱度計算