【主题建模】不同策略的主题建模方法比较

本文将介绍利用 LSA、pLSA、LDA、NMF、BERTopic、Top2Vec 这六种策略进行主题建模之间的比较。

1.简介

在自然语言处理（NLP）中，主题建模一词包含了一系列的统计和深度学习技术，用于寻找文档集中的隐藏语义结构。

主题建模是一个无监督的机器学习问题。无监督的意思是，算法在没有标签的情况下学习模式。

我们作为人类产生和交换的大部分信息都具有文本性质。文件、对话、电话、信息、电子邮件、笔记、社交媒体帖子。在缺乏（或有限的）先验知识的情况下，从这些来源中自动提取价值的能力是数据科学中一个永恒的、无处不在的问题。

在这篇文章中，我们将讨论热门的主题建模方法，从传统的算法到最新的基于深度学习的技术。我们旨在分享对这些模型的通俗介绍，并比较它们在实际应用中的优势和劣势。

2.主题建模策略

2.1 简介

潜在语义分析（LSA，Latent Semantic Analysis） （Deerwester¹ et al. 1990） \text{（Deerwester¹ et al. 1990）}