主题建模：BERTopic（理论篇）

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！

1.总体概述

利用 BERTopic 进行主题建模可按照以下五个步骤进行：嵌入（Embeddings）、降维（Dimensionality Reduction）、聚类（Clustering）、分词（Tokenizer）、加权（Weighting scheme）。

尽管上述步骤有默认的处理方法，但 BERTopic 在一定程度上是模块化的，你可以自主选择每个步骤的处理方法，构建属于自己的主题模型。

2.代码示例

下面的代码演示了如何使用 BERTopic 算法。使用 BERTopic 的一个优点是算法中的每个主要步骤都可以明确定义，从而使过程透明且直观。

from sentence_transformers import SentenceTransformerfrom umap import UMAPfrom hdbscan import HDBSCANfrom sklearn.feature_extraction.text import CountVectorizerfrom bertopic.vectorizers import ClassTfidfTransformerfrom bertopic import BERTopic# Step 1 - Extract embeddingsembedding_model = SentenceTransformer("all-MiniLM-L6-v2")# Step 2 - Reduce dimensionalityumap_model = UMAP(n_neighbors=15, n_components=5, min_dist=0.0, metric='cosine')# Step 3 - Cluster reduced embeddingshdbscan_model = HDBSCAN(min_cluster_size=15, metric='euclidean', cluster_selection_method='eom', prediction_data=True)# Step 4 - Tokenize topicsvectorizer_model = CountVectorizer(stop_words="english")# Step 5 - Create topic representationctfidf_model = ClassTfidfTransformer()# All steps togethertopic_model = BERTopic(embedding_model=embedding_model,# Step 1 - Extract embeddingsumap_model=umap_model,# Step 2 - Reduce dimensionalityhdbscan_model=hdbscan_model,# Step 3 - Cluster reduced embeddingsvectorizer_model=vectorizer_model,# Step 4 - Tokenize topicsctfidf_model=ctfidf_model,# Step 5 - Extract topic wordsdiversity=0.5 # Step 6 - Diversify topic words)

3.步骤详解

3.1 文档嵌入（Embed documents）

我们首先需要将文档转换为数字表示。BERTopic 中的默认处理方法是 sentence-transformers。其中的模型通常针对语义相似性进行了优化，有助于后续的聚类任务。此外，它们也非常适合创建文档或句子嵌入。

在 BERTopic 中，可以选择任何一个 sentence-transformers 模型，但有两个模型被设置为默认值：

• all-MiniLM-L6-v2
• paraphrase-multilingual-MiniLM-L12-v2

第一个是专门为语义相似性任务训练的英语语言模型，它对大多数用例都非常有效。第二种模型与第一种模型非常相似，主要区别在于多语言模型适用于 $50$ 多种语言。该模型比第一个模型大很多，只有在选择英语以外的语言时才会被选中。

3.2 降维（Dimensionality reduction）

降维作为机器学习的四大任务（分类、回归、聚类、降维）之一，应该并不陌生了哈。

在将文档数字化表示后，必须降低表示的维度。由于维数灾难，聚类模型通常难以处理高维数据。降维的方法有很多，但 BERTopic 默认选择的是 UMAP。这是一种在降维时可以保留数据的局部和全局结构的技术。保留此结构很重要，因为它包含创建语义相似文档集群所需的信息。

3.3 聚类（Cluster Documents）

降维后，我们可以对数据进行聚类。基于密度的聚类技术 HDBSCAN 可以找到不同形状的簇，并在一定情况下可以识别异常值。因此，我们不会强制文档进入它们可能不属于的集群。这将改进生成的主题表示，因​​为可以从中提取的噪音更少。

3.4 词袋表示（Bag-of-words）

在开始创建主题表示之前，首先需要选择一种允许 BERTopic 算法模块化的技术。当我们使用 HDBSCAN 作为聚类模型时，我们可能会假设我们的聚类具有不同程度的密度和不同的形状。这意味着基于质心的主题表示技术可能不是最合适的模型。换句话说，我们想要一种主题表示技术，该技术对集群的预期结构几乎不做任何假设。

首先，将一个聚类中的所有文档组合成一个长文档。然后，计算每个词在每个聚类中出现的频率。结果即是词袋表示，其中可以找到每个聚类中每个词的频率。因此，这种词袋表示是在聚类级别而不是文档级别。这种区别很重要，因为我们对主题级别（即集群级别）的单词感兴趣。通过使用词袋表示，没有对聚类的结构做出任何假设。此外，词袋表示是 $L1$ 归一化的，以考虑具有不同大小的聚类。

3.5 主题表示（Topic representation）

从生成的词袋表示中，我们想知道是什么让一个集群与另一个集群不同。哪些词对于集群 $1$ 是典型的，而对于所有其他集群不是那么多？为了解决这个问题，我们需要修改 TF-IDF，使其考虑主题（即集群）而不是文档。

当您像往常一样在一组文档上应用 TF-IDF 时，您所做的是比较文档之间单词的重要性。现在，如果我们改为将单个类别（例如，一个集群）中的所有文档视为单个文档，然后应用 TF-IDF 怎么办？结果将是集群中单词的重要性分数。聚类中的单词越重要，它就越能代表该主题。换句话说，如果我们提取每个聚类中最重要的词，我们就会得到主题的描述！

该模型称为基于类的 TF-IDF（class-based TF-IDF，c-TF-IDF）： W x,c =∣∣t f x,c ∣∣×log(1+ A fx )W_{x,c}=||tf_{x,c}||×log(1+\frac{A}{f_x}) Wx,c​=∣∣tfx,c​∣∣×log(1+fx​A​)

• t f x,c tf_{x,c} tfx,c​ 表示在聚类 $c$ 中单词 $x$ 的频次。
• f xf_x fx​ 表示单词 $x$ 在所有聚类中的频次。
• $A$ 表示每个聚类所包含的平均单词数。

每个集群都被转换为单个文档而不是一组文档。然后，我们提取词 $x$ 在类 $c$ 中的频率，其中 $c$ 指的是我们之前创建的集群。这种表示是 $L1$ 标准化的，以说明主题大小的差异。

然后，我们取 $1$ 加上每个类别 $A$ 的平均单词数除以所有类别中单词 $x$ 的频率的对数。我们在对数中加 $1$ 以强制值为正。与经典的 TF-IDF 一样，我们然后将 $tf$ 与 $idf$ 相乘以获得每个类别中每个单词的重要性分数。换句话说，这里没有使用经典的 $TF-IDF$ 过程，而是使用了算法的修改版本，可以提供更好的表示。

3.6 （可选）最大边际相关性（Maximal Marginal Relevance）

在生成 c-TF-IDF 表示后，我们有一组描述文档集合的词。从技术上讲，这并不意味着这个单词集合描述了一个连贯的主题。在实践中，我们会看到很多词确实描述了一个相似的主题，但有些词在某种程度上会过拟合文档。例如，如果您有一组由同一个人撰写的文档，其签名将出现在主题描述中。

为了提高单词的连贯性，使用最大边际相关性来找到最连贯的单词，而单词本身之间没有太多重叠。这导致删除对主题没有贡献的单词。

您还可以使用此技术使主题表示中生成的单词多样化。有时，同一个词的许多变体可能会出现在主题表示中。为了减少同义词的数量，我们可以增加单词之间的多样性，同时仍然与主题表示相似。