QHCV的博客

摘要：本文介绍了一个基于Ollama本地部署的Qwen3:14b模型结合BERTopic的自动化主题命名方案。该方案通过Python函数generate_topic_name()处理BERTopic生成的关键词和样本摘要，构造提示词调用本地模型生成3-4个词的简洁主题名称。方法包含清除模型思考标签的后处理步骤，适用于学术论文、新闻聚类等多种场景，实现了从关键词到主题命名的全流程自动化。代码展示了完整的实现逻辑，包括提示词构造、模型调用和结果处理。

SHAP（SHapley Additive exPlanations）是一种基于博弈论的机器学习模型解释方法，旨在解决黑箱模型的不可知性、局部与全局解释割裂以及特征交互作用忽略等问题。SHAP通过Shapley值，公平地分配每个特征对模型预测的贡献，确保解释的准确性和一致性。其核心原理源于博弈论中的合作博弈，通过计算所有可能特征组合的边际贡献，得出每个特征的Shapley值。SHAP不仅适用于复杂模型如XGBoost和深度学习，还能在广告归因等实际问题中提供更公平的贡献分配。与传统方法相比，SHAP全面量化

LDA（Linear Discriminant Analysis）在机器学习领域有两种经典应用场景： 1. **线性判别分析**：一种监督学习的降维技术，通过最大化类间距离与最小化类内距离实现分类优化。 2. **隐含狄利克雷分布（Latent Dirichlet Allocation）**：一种无监督生成式模型，用于从文本中挖掘潜在主题。 两者名称相同但应用场景迥异，需根据上下文区分。