【主题建模】一种基于深度学习的主题建模方法：BERTopic（实战篇）

已于 2023-10-20 21:35:01 修改
阅读量1.8w 收藏 178
点赞数 43
分类专栏： # 主题建模 文章标签： 自然语言处理 主题建模 BERTopic SBERT 文本挖掘
于 2023-02-10 16:05:40 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/be_racle/article/details/128961533
版权
本文介绍了一种基于深度学习的主题建模方法BERTopic，详细阐述了加载数据、预处理、使用BERTopic建模的过程，包括嵌入、降维、聚类等步骤，并提到了可视化结果和评估方法。BERTopic利用了BERT的语义信息，提供多样化的主题表示，并支持多种可视化工具，如条形图、文档可视化和主题热图。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本系列包含：

主题建模：BERTopic（实战篇）

BERTopic 是基于深度学习的一种主题建模方法。 2018 2018 2018 年底， D

了解本专栏 订阅专栏 解锁全文 超级会员免费看
自然语言处理之话题建模：BERTopic：话题模型评估与优化
zhubeibei168的博客
09-21 1810
BERTopic是一种基于BERT（Bidirectional Encoder Representations from Transformers）的先进话题建模技术。它结合了BERT的语义理解能力和非参数聚类算法，如HDBSCAN（Hierarchical Density-Based Spatial Clustering of Applications with Noise），来生成高质量的话题模型。
【主题建模】一种基于深度学习的主题建模方法：BERTopic（理论篇）
书山有路，学海无涯。记录成长，追逐梦想
02-07 8599
在我的博客中已经写了很多关于主题建模的内容，当你准备了解 BERTopic 时，默认你已经知道了 LSA、pLSA、NFM、LDA 等传统的主题建模方法。关于主题建模的前置知识我在这里不做赘述，感兴趣的同学可以看看我前几篇博客。学习 BERTopic 需要一定的机器学习基础，让我们一起开始吧！
数据挖掘+BERTopic的用户兴趣建模+主题挖掘+主题生成
12-02
​ 本项目旨在通过对中文文本数据进行深度分析和聚类，通过BERTopic模型进行主题建模，提取出有意义的主题，并生成每个主题的关键词汇及其重要性评分，得到最终的用户兴趣标签主题。         此次实验任务中的数据集来源于网络，该数据集是英雄联盟比赛直播评论数据集，数据：英雄联盟数据集和停用词表(https://download.csdn.net/download/weixin_45736855/90037880) ​
Bertopic主题模型原理详解
weixin_52185313的博客
05-27 1万+
Bertopic原理详解 – 潘登同学的NLP笔记 文章目录Bertopic原理详解 -- 潘登同学的NLP笔记Bertopic主题建模Nearest-Neighbor-Descent (构建K近邻图)算法详解理论推导算法步骤UMAP降维算法原理学习高维空间中的流形结构寻找最近的邻居UMAP的高维表示UMAP的低维表示构造Loss使得高维表示与低维表示相近总结UMAP算法TF-IDF算法TF是词频IDF是逆向文件频率TF-IDF实际上是：TF * IDFSklearn实现TF-IDF算法CountVecto
all-MiniLM-L6-v2
最新发布
weixin_62533513的博客
03-10 641
all-MiniLM-L6-v2 是一个高效、轻量且多功能的句子嵌入模型，特别适合在资源受限的环境中使用。它在多种 NLP 任务中表现出色，是一个值得考虑的模型选择。
BERTopic：利用BERT和c-TF-IDF创建易于解释的主题
02-03
伯特比 BERTopic是一种利用主题建模技术 :hugging_face: 转换程序和c-TF-IDF创建密集的群集，使主题易于理解，同时在主题描述中保留重要字词。 它甚至支持类似于LDAvis的可视化！ 相应的媒体帖子可以在找到。 安装 可以使用完成安装： pip install bertopic 要使用可视化选项，请按照以下步骤安装BERTopic： pip install bertopic[visualization] 安装错误推荐使用PyTorch 1.4.0或更高版本。 如果安装出现错误，请首先安装pytorch。 入门 要详细了解BERTopic的功能，您可以在查看完整的文档也可以Google Colab笔记本。 快速开始 我们首先从著名的20个新闻组数据集中提取主题，该数据组由英文文档组成： from bertopic import BERTopic from sklearn . datasets import fetch_20newsgroups docs = fetch_20newsgroups ( subset = 'all' , remove
【重磅】NLP实战之BERTopic主题模型分析（pycharm版）
m0_65609016的博客
03-22 1万+
之前写了一篇NLP实战之BERTopic主题模型分析，由于没有说明是在jupyter notebook中的运行的，所以很多小伙伴去pycharm中运行，没有结果也没有可视化的图片。这篇博客将完美解决！
主题模型--BERTopic python解析
Andy_shenzl的博客
10-24 1万+
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。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。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。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。
BERTopic实践手记
m0_73085867的博客
01-18 3922
句向量嵌入模型下载到本地。前提：由于国内很难登上Huggingface下载数据集和模型，需要提前将用到的“”数据集和SentenceTransformer的“
BERTopic
yaohaishen的专栏
07-13 6043
BERTopic 方法的步骤如下：首先使用预训练模型计算 document embeddings (比如常用的 Sentence-BERT 等)因为 document embeddings 维度很高，在嵌入空间中就非常稀疏，不容易进行聚类，所以需要先进行降维，比如 PCA 或者 t-SNE 等方法，这里用的是 UMAP[4]基于层次和密度进行聚类，这里用的是典型的 HDBSCAN[5] 算法划重点：使用 class-based TF-IDF 变体提取每个簇的主题词因为上文所说的这个 gap 产生的原因，本质
自然语言处理之话题建模：BERTopic：词嵌入与语义表示
zhubeibei168的博客
09-23 1040
语义表示是NLP中用于捕捉文本深层含义的技术。它超越了词嵌入，能够处理短语、句子甚至文档的语义。语义表示模型如BERT、RoBERTa和BERTopic，利用深度学习技术，尤其是Transformer架构，来生成更复杂的文本表示。这些模型在大规模语料库上预训练，能够理解上下文依赖和词汇的多义性，从而提供更准确的语义表示。
TopicBERT-PyTorch:Chaudhary等人的PyTorch实现。 al。 2020年的TopicBERT
04-12
TopicBERT-PyTorch PyTorch实现 入门： 如果尚未安装 ，请安装它。 然后跑 conda env create -f environment.yml 这将创建一个严格遵守指示的版本控制的Python环境。 它旨在紧密地反映Google Colab。 或者，在Google Colab中打开experiment.ipynb ： 路线图 在某些数据集上具有有效的BERT（SST-2） 于4/4/21完成，利亚姆 设置Reuters8数据集和DataLoader 正在进行中，有关Liam 4/8/21的一些工作 利亚姆（Liam）于4/9/21完成数据集和数据加载程序 BERT在Reuters8上进行独立预测完成–在Google Colab，4/10/21，Liam上达到99.3％的火车，97.2％的val精度 在某些数据集上设置NVDM主题模型 NVD
自然语言处理之话题建模：BERTopic：话题建模理论与实践
zhubeibei168的博客
09-21 892
LDA是一种基于概率的统计模型，用于从文档集合中发现隐藏的主题结构。它假设文档由多个话题组成，每个话题由一组词的概率分布定义。LDA通过迭代算法学习这些话题和词的概率分布，从而实现话题的识别和文档的分类。话题建模是一种强大的文本分析技术，它可以帮助我们理解文档集合中的主题结构。从传统的LDA和PLSA到现代的BERTopic和Doc2Vec，话题建模方法不断发展，提供了更准确和语义丰富的主题表示。通过上述代码示例，我们可以看到如何使用Python库来实现这些话题建模方法，从而在实际项目中应用它们。
基于Bert的文本聚类工具：BERTopic
yanqianglifei的专栏
02-21 7045
【干货推荐] 基于Bert的聚类工具：BERTopic 【简介】：BERTopic是一种主题建模技术，它利用????变换器和c-TF-IDF创建聚类簇，使主题易于理解，同时在主题描述中保留重要的单词。 同时可以支持类似于LDAvis的可视化。 【快速上手】 安装pip install bertopic[visualization] from bertopic import BERTopic from s...
动态TopicModel BERTopic 中文 长文本 SentenceTransformer BERT 均值特征向量 整体特征分词关键词
BigYouYou
12-01 5670
为了解决这些问题，学界提出了DTM、ETM、DETM、BERTopic等方法，其中是近年提出的热度很高的方法，它主要思路是寻找文本整体的BERT特征向量，然后对各文本特征在样本空间中做聚类，找到Topic，然后基于TF-IDF模型寻找每个Topic的关键词，最后寻找Topic在每个时间段的关键词表示。
BERTopic模型入门教程（附代码+参数调节）
m0_52069102的博客
03-03 2820
BERTopic 是一种用于从文本数据中提取主题模型的新型方法。通过结合 BERT嵌入和传统的主题模型来生成语义丰富的主题。传统的主题模型(如LDA)主要依赖于词频矩阵，而 BERTopic 通过预训练语言模型生成高维语义嵌入来捕捉词语间的复杂关系，因此可以更好地处理上下文信息。BERTopic模型可以看作是创建其主题表示的一系列步骤。核心原理如下：就本质而言，BERTopic就是一个拼装框架，可以把每部分都替换成其他模型，只要完成任务即可。
BERT Topic推荐-AMiner
AI_Conf的博客
11-26 956
AMiner平台（https://www.aminer.cn）由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 必读论文：https://www.aminer.cn/topic BERT全称是Bidire.
BERTopic：NLP主题模型的未来！
夕小瑶科技说
07-08 9002
文| ZenMoore编| 小轶以前我一直以为，主题建模(提取文档的主题词)这种机器学习时代就开始研究的基础工具，现在肯定已经到头了，虽然...有时效果可能不是那么让人满意。但突然看到一则推文：“彻底疯了！不需要预先清洗数据，就能够快速拿到质量难以置信的主题！” “NLP 主题模型的未来！”好家伙！让人又爱又恨又离不开的主题模型，终于要升华了吗？！！看了论文之后，恍然大悟...
NLP实战之BERTopic主题分析
热门推荐
m0_65609016的博客
10-21 3万+
BERTopic是一种结合了预训练模型BERT和主题建模的强大工具。它允许我们将大规模文本数据集中的文档映射到主题空间，并自动识别潜在的主题。它背后的核心思想是通过BERT模型来捕获文档的语义信息，并然后使用主题建模技术来对这些语义信息进行聚类，从而得出主题。对于大部分小伙伴而言，知道如何去使用BERTopic模型进行主题分析就足够了。所以BERTopic原理就不做过多解释了，感兴趣的小伙伴可以自己去了解一下。BERTopic是一种强大的主题分析工具，它能够自动识别文本数据中的主题，而无需预先定义主题数。
BERTopic主题模型
03-08
### BERTopic 主题模型使用教程 #### 初始化 BERTopic 模型对象 在 Python 脚本中引入并初始化 BERTopic 模型对象可以通过如下方式实现： ```python from bertopic import BERTopic topic_model = BERTopic() ``` 这段代码展示了如何导入 `BERTopic` 类以及创建一个默认设置下的实例[^1]。 #### 配置参数 对于更复杂的场景，可以自定义一些参数来优化模型性能。特别是 `min_topic_size` 参数用于设定每个主题至少应包含的文档数，这有助于过滤掉那些规模过小的主题。下面是一个带有更多配置选项的例子： ```python from sentence_transformers import SentenceTransformer sentence_model = SentenceTransformer("all-MiniLM-L6-v2") topic_model = BERTopic( embedding_model=sentence_model, min_topic_size=2, # 控制最小主题大小的重要参数 verbose=True # 是否打印进度信息 ) ``` 这里不仅设置了 `min_topic_size` 和启用了详细的日志输出 (`verbose`)，还指定了一个预训练好的句子嵌入模型作为输入给 BERTopic 的基础[^2]。 #### 训练与转换数据集 一旦完成了模型的构建和参数配置，就可以通过调用 `fit_transform()` 方法来进行实际的数据处理工作了。此方法接收两个主要参数——一个是待分析的文章列表 `docs`；另一个则是这些文章对应的向量表示形式 `embeddings`: ```python topics, probs = topic_model.fit_transform(docs, embeddings=embeddings) ``` 上述命令会返回每篇文档所属的话题编号及其概率分布情况。 #### 获取聚类结果详情 最后一步是从已训练完成的对象那里提取有关话题的信息。例如获取所有发现的话题概览可以用到的方法有 `get_topic_info()` : ```python topic_info = topic_model.get_topic_info() print(topic_info) ``` 该函数将提供关于各个话题的一些基本信息，比如 ID 号码、频率统计等。
评论 95
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

G皮T

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值