Large Language Models Offer an Alternative to the Traditional Approach of Topic Modelling

本文是LLM系列文章，针对《Large Language Models Offer an Alternative to the Traditional
Approach of Topic Modelling》的翻译。

摘要

主题建模作为一种公认的无监督技术，在自动检测文档语料库中的重要主题方面得到了广泛的应用。然而，经典的主题建模方法（例如LDA）有一些缺点，例如缺乏语义理解和存在重叠的主题。在这项工作中，我们研究了大型语言模型（LLM）作为揭示广泛文本语料库中潜在主题的替代方案的未开发潜力。为此，我们引入了一个框架，该框架促使LLM从给定的一组文档中生成主题，并建立评估协议来评估LLM的聚类效果。我们的研究结果表明，具有适当提示的LLM可以作为一种可行的替代方案脱颖而出，能够生成相关的主题标题，并遵循人类准则来细化和合并主题。通过深入的实验和评估，我们总结了在主题提取中使用LLM的优势和制约因素。

1 引言

2 相关工作

3 模型和数据集

4 实验

5 案例研究：新冠肺炎疫苗犹豫的时间分析

6 讨论

7 结论

在这项工作中，我们率先探索利用LLM进行主题提取。通过实证测试，我们证明LLM可以作为一种可行且适应性强的主题提取和主题总结方法，与主题建模方法相比，它提供了一