主题模型–BERTopic python解析

一、概念

1.1 主题模型

主题模型（Topic Model）是自然语言处理中的一种常用模型，是一种无监督学习方法，它用于从大量文档中自动提取主题信息。

主题模型的核心思想是，每篇文档都可以看作是多个主题的混合，而每个主题则由一组词构成。

• 主题模型能够帮助我们理解文档集中的主题结构，有助于文档分类、聚类和信息检索。
• 主题模型能够将高维的文本数据降维到低维的主题空间，便于后续的分析和处理。

1.2 BERTopic

BERTopic是基于BERT词向量进行主题建模技术，它利用 Transformer 和 c-TF-IDF 来创建密集的集群（分类），允许轻松解释主题，同时在主题描述中保留重要词。

从个人实践效果来看，要优于LDA、BTM等主题模型

BERTopic 可以看作是创建其主题表示的一系列步骤。此过程有五个步骤：

1. Embeddings：词嵌入，选择预训练模型
2. Dimensionality Reduction：降维，默认选择UMAP
3. Clustering：聚类，默认选择HDBSCAN
4. Vectorizers：将文本中的词语词频矩阵
5. c-TF-IDF：获得主题的准确表示
6. Fine-tune Topics：模型微调（可选）
   
   里面涉及到的模型原理后续会分别整理

二、建模流程

使用BERTopic，有两种方式，一种是全部使用默认参数，直接调包运行；另外一种是自己根据实际数据集进行超参数进行调整

2.1 快速入门

直接使用默认的参数进行调用

2.1.1 安装包

pip install bertopic

2.1.2 数据导入

df = pd.read_csv('news.csv')

2.1.3 分词

分词可以实现处理好再进行建模，也可以定义好分词的方法在建模时传入，一般建议先分词在建模，这样可以打印中间分词结果进行检查

2.1.4 创建模型

from sentence_transformers import SentenceTransformer
from sklearn.feature_extraction.text import CountVectorizer

embedding_model = SentenceTransformer("distiluse-base-multilingual-cased-v1")
vectorizer =  CountVectorizer()

from bertopic import BERTopic

topic_model = BERTopic(embedding_model=embedding_model, vectorizer_model=vectorizer)
topics, probs = topic_model.fit_transform(docs)

训练时如果报错，可参照之前的一篇文章

2.1.5 查看结果

• topic_model.get_topic_info 查看各主题信息
  

• topic_model.visualize_topics() 话题间距离的可视化
  

• topic_model.visualize_hierarchy(top_n_topics=20) 主题层次聚类可视化

• topic_model.visualize_barchart(topics=[1]) 显示主题1的词条形图
  

• topic_model.visualize_heatmap() 主题相似度热力图