案例01｜Watson 與 DeepQA：Jeopardy! 的人機挑戰
案例03｜顧客情緒：詞頻－逆文件頻率、餘弦相似度與汽車安全議題
案例05｜文字探勘流程：語料庫、詞彙—文件矩陣、奇異值分解與知識萃取
案例06｜研究文獻調查：12 個實驗、奇異值分解與 9 個群集
案例07｜Wimbledon：340 萬個資料點、數位分析與自然語言處理
案例09｜網路探勘與搜尋引擎：內容、結構、使用與搜尋引擎最佳化
案例12｜Sport England：從每月報告到每日自動化分析
| 核心主題 | 主要觀點／方法 | 實務用途 | 重要條件／限制／延伸 |
|---|---|---|---|
| 文字分析／文字探勘 | 以自然語言處理（Natural Language Processing, NLP）與分析將非結構化文字轉成可分析表示，再發現模式／知識 | 顧客回饋、風險、研究文獻、知識發現 | 領域語言、脈絡、資料品質與前處理會直接影響結果 |
| 自然語言處理 | 問答、摘要、生成、理解、翻譯、語音辨識、光學字元辨識（Optical Character Recognition, OCR）等 | 讓電腦處理與理解自然語言 | 語意、歧義、俚語與領域術語仍是重要限制 |
| 文字探勘流程 | 建立語料庫 → 建立詞彙—文件矩陣（Term–Document Matrix, TDM）→ 萃取知識 | 把文件轉成分類、分群、關聯、趨勢分析的輸入 | 需要停用詞、詞幹化、正規化、奇異值分解（Singular Value Decomposition, SVD）等前處理；流程可反覆回饋 |
| 情緒分析 | 詞典式或機器學習方法；辨識明示／隱含、正向／負向／客觀 | 顧客之聲、市場之聲、員工之聲、品牌、金融、政府情報 | 混合極性、諷刺、脈絡與領域詞彙可能使整體分數失真 |
| 主題模型 | 潛在狄利克雷配置（Latent Dirichlet Allocation, LDA）以非監督式機率流程找出潛在主題 | 大量文件的主題探索與摘要 | 需要解釋主題；原書未提供通用標準化解讀流程 |
| 網路探勘 | 網路內容、結構、使用探勘 | 搜尋、網站結構分析、點擊流與行為洞察 | 不同網路資料型態需要不同方法；排名／使用資料具時間性 |
| 搜尋引擎／搜尋引擎最佳化（Search Engine Optimization, SEO） | 開發週期建立索引；回應週期處理查詢；搜尋引擎最佳化改善可見性 | 提升搜尋可見性與流量取得 | 被建立索引不等於高排名；原書搜尋引擎流行度表屬特定時點資料 |
| 網路分析 | 易用性、流量來源、訪客輪廓、轉換統計 | 監測顧客旅程與網站表現 | 必須有分母／工作階段定義才能正確解讀比例與轉換 |
| 社群分析 | 描述性分析、社群網路分析、進階／文字分析 | 影響力、情緒、病毒式效應、活動監測 | 追蹤者等活動指標不等同商業影響；衡量應作為引導系統 |
| 人工智慧／Excel／分析工具分工 | Excel 做可驗證計算與關鍵績效指標；專業工具做自然語言處理／建模／自動化；人工智慧做解讀與分析草稿 | 把文字與數位行為結果轉成管理決策 | 人工智慧不得捏造語料庫、模型分數、投資報酬率或來源沒有提供的數字 |
本章的核心不是把文字當成一般數值資料直接建模，而是先透過自然語言處理、語料庫組織、詞彙擷取、停用詞處理、詞幹化與索引，把原本為人閱讀的文字轉成機器可處理的表示形式。之後才進入分類、分群、關聯、趨勢分析等知識萃取任務。
原書把文字分析視為較廣的概念，文字探勘則更集中在從文字資料中發現模式與知識。管理上不必執著名稱，而應先確認問題：要找主題、分類文件、分析情緒、辨識關聯，還是支援問答。