使用 BerTopic 在 Python 中进行主题建模

【51CTO.com快译】通过主题建模，你可以收集非结构化数据集，分析文档，并获得相关和所需的信息，这些信息能帮你做出更好的决策。 

​​

执行主题建模有不同的技术（如LDA），但是在本NLP教程中，你将学习如何使用Maarten Grootendorst开发的BerTopic技术。

什么是 BerTopic？

BerTopic是一种主题建模技术，它使用转换器(BERT嵌入)和基于类的TF-IDF来创建密集集群。它还允许您轻松地解释和可视化生成的主题。

BerTopic算法包含三个阶段：

1.嵌入文本数据(文档)：此步骤中，算法使用BERT提取文档嵌入，也可以使用其他任何嵌入技术。

默认情况下，它使用下面的句子转换器

• “ paraphrase-MiniLM-L6-v2” – 这是一个基于英语 BERT 的模型，专门针对语义相似性任务进行训练。
• “ paraphrase-multilingual-MiniLM-L12-v2 ” – 这与第一个类似，一个主要区别是 xlm 模型适用于 50 多种语言。

2.Cluster文档：使用UMAP降低嵌入的维数，使用HDBSCAN技术聚类减少嵌入并创建语义相似文档的聚类。

3.创建主题表示：利用基于类的TF-IDF进行主题提取和精简，提高最大边缘关联词的一致性。

​​

如何安装 BerTopic

可以通过 pip 安装软件包： 

pip install bertopic

如果你对可视化选项感兴趣，你需要按照如下方式安装它们。 

pip install bertopic[visualization]

BerTopic支持不同的转换器和语言后端，你可以使用它们来创建模型。你可以根据下面可用的选项安装一个。

• pip install bertopic[天赋]
• pip install bertopic[gensim]
• pip install bertopic[spacy]
• pip install bertopic[使用]

库

我们将使用以下库来帮助我们加载数据并从BerTopic创建模型。 

#import packages

import pandas as pd
import numpy as np
from bertopic import BERTopic

步骤1：加载数据

在本NLP教程中，我们将使用2020年东京奥运会推文，目标是创建一个模型，该模型可以根据推文的主题自动分类。 

#load data
import pandas as pd

df = pd.read_csv("/content/drive/MyDrive/Colab Notebooks/data/tokyo_2020_tweets.csv", engine='python')

# select only 6000 tweets
dfdf = df[0:6000]

注：出于计算原因，我们只选择了6000条推文。

步骤2：创建模型

要使用BERTopic创建模型，需要将推文作为列表加载，然后将其传递给fit_transform方法。这个方法将做以下工作：

• 在推文集合上拟合模型；
• 生成话题；
• 返回带有主题的推文。

# create model

model = BERTopic(verbose=True)

#convert to list
docs = df.text.to_list()

topics, probabilities = model.fit_transform(docs)

 ​​

步骤3：选择高级主题

训练模型后，可以按降序访问主题的大小。 

model.get_topic_freq().head(11)

 ​​

注：Topic -1是最大的，它指的是没有分配给生成的任何主题的离群推文。在本例中，我们将忽略Topic -1。

步骤4：选择一个主题

你可以选择一个特定的主题，并得到该主题的前n个单词和他们的c-TF-IDF分数。 

model.get_topic(6)

 ​​

对于这个选定的话题，常用词是瑞典，目标，罗尔夫，瑞典人，目标，足球。很明显，这个话题的重点是“瑞典队的足球”。

步骤5：主题建模可视化

BerTopic允许您以非常类似于LDAvis的方式可视化生成的主题。这会让你对主题的质量有更多的了解。在本文中，我们将介绍三种可视化主题的方法。

可视化的话题

visualize_topics方法可以帮助您可视化生成的主题及其大小和相应的单词。视觉化的灵感来自于LDavis。 

model.visualize_topics()

 ​​

可视化术语

visualize_barchart方法将通过创建c-TF-IDF分数的条形图来显示选定的几个主题术语。然后，您可以比较彼此的主题表示，并从生成的主题中获得更多的见解。 

model.visualize_barchart()

 ​​

上面的图表中，你可以看到话题4的热门词是proud, thank, cheer4india, cheer和congrats。

可视化主题相似性

你还可以可视化某些主题之间的相似程度。要可视化热图，只需调用。 

model.visualize_heatmap()

​​

在上图中，你可以看到topic 93与topic 102相似，相似度为0.933。

主题减少

有时您可能会生成过多或过少的主题，BerTopic为您提供了一种选择，以不同的方式控制这种行为。

(a)你可以通过设置参数nr_topics来设置你想要的主题数量。BerTopic将找到类似的主题并合并它们。 

model = BERTopic(nr_topics=20)

在上面的代码中，将要生成的主题的数量是20。

(b)另一种选择是自动减少专题的数目。要使用这个选项，你需要在训练模型之前将”nr_topics”设置为”auto”。 

model = BERTopic(nr_topics="auto")

(c)最后一种选择是减少模型训练后的主题数量。这是一个很好的选择，如果重新培训模型将花费许多小时。 

new_topics, new_probs = model.reduce_topics(docs, topics, probabilities, nr_topics=15)

在上面的示例中，在训练模型之后，您将主题的数量减少到15个。

步骤6：做出预测

要预测新文档的主题，需要在转换方法上添加一个(或多个)新实例。 

topics, probs = model.transform(new_docs)

步骤7：保存模型

你以使用save方法保存训练过的模型。

model.save("my_topics_model")

步骤8：加载模型

你可以使用load方法来加载模型。 

BerTopic_model = BERTopic.load("my_topics_model")

最后

在创建模型时，BerTopic提供了许多特性。例如，如果您有一个特定语言的数据集(默认情况下，它支持英语模型)，您可以通过在配置模型时设置语言参数来选择语言。 

model = BERTopic(language="German")

注意：请选择其嵌入模型存在的语言。

如果你的文档中混合了多种语言，你可以设置language=”multilingual”以支持超过50种语言。 

【51CTO译稿，合作站点转载请注明原文译者和出处为51CTO.com】