BERTopic

项目介绍：BERTopic

BERTopic 是一种主题建模技术，利用了变压器（transformers）和改进的 TF-IDF（c-TF-IDF）算法来创建密集的主题簇。这种方法使得主题的解释变得更加容易，同时保留了主题描述中的重要词汇。

支持的主题建模技术

BERTopic 拥有多种主题建模技术，能够满足不同需求，包括：

指导主题建模（Guided）： 利用先验信息引导建模方向。
监督主题建模（Supervised）： 通过已有的标签进行主题监督分类。
半监督主题建模（Semi-supervised）： 混合无监督学习和监督学习。
手动主题建模（Manual）： 手动定义和管理主题。
多主题分布（Multi-topic distributions）： 处理一个文档中可能存在的多个主题。
层次主题建模（Hierarchical）： 创建主题的层次结构。
基于类别（Class-based）： 针对特定类别进行主题建模。
动态主题建模（Dynamic）： 随时间变化的主题研究。
在线增量（Online/Incremental）： 增量地处理新文档，以适应变化。
多模态（Multimodal）： 利用文本和图像等多种数据源进行建模。
多面话题表示（Multi-aspect）： 探索多角度的主题表现。
从零开始（Zero-shot）： 无需训练即可开展初步的主题分类。
模型合并（Merge Models）： 将多个主题模型合并以提高性能。
种子词（Seed Words）： 初始话题定义通过种子词指定。

安装方法

用户可以通过多种方式安装 BERTopic：

基础安装：
```
pip install bertopic
```

使用其他嵌入模型：

pip install bertopic[flair,gensim,spacy,use]

支持图片主题建模：
```
pip install bertopic[vision]
```

快速开始

使用带有 20 新闻组数据集的经典示例开始：

from bertopic import BERTopic
from sklearn.datasets import fetch_20newsgroups

docs = fetch_20newsgroups(subset='all',  remove=('headers', 'footers', 'quotes'))['data']
topic_model = BERTopic()
topics, probs = topic_model.fit_transform(docs)

这个示例展示了如何从文本中提取主题，并获取主题的相关信息。

可视化功能

BERTopic 提供了多种可视化选项，使得用户能够以一种类似于 LDAvis 的方式直观地了解提取的主题之间的关系：

topic_model.visualize_topics()

模块化设计

BERTopic 的设计非常模块化，从文本嵌入、减维、聚类到主题表示的各个步骤均可独立替换和配置：

文档嵌入
降维
聚类
话题标记
词权重计算
主题呈现

常见功能概览

.fit(docs)：训练模型
.fit_transform(docs)：训练模型并预测文档
.transform([new_doc])：预测新文档
.get_topic(topic=12)：访问单个主题
.visualize_topics_over_time(topics_over_time)：可视化时间上的主题变化

引用

如果您希望引用 BERTopic 的论文，可以使用以下引用格式：

@article{grootendorst2022bertopic,
  title={BERTopic: Neural topic modeling with a class-based TF-IDF procedure},
  author={Grootendorst, Maarten},
  journal={arXiv preprint arXiv:2203.05794},
  year={2022}
}

BERTopic 提供灵活且强大的主题建模工具，通过简化复杂文本数据的主题分析，帮助用户更好地理解文本数据的内在结构。