qq_64296768的博客

更新 ChromeDriver 以匹配 Google 浏览器版本：查看浏览器版本（方法一：设置 > 关于；方法二：输入 chrome://version/）。使用终端命令 where chromedriver 找到旧版路径并删除 chromedriver.exe。从 Chrome for Testing 下载新版本驱动。更新环境变量（可选，若原位置更新则无需更改）。运行 chromedriver --version 验证更新，若失败可运行 ipconfig /flushdns 清除缓存。

本文介绍 embedding 模型选取要点，包括句子长度、向量维度、模型大小等四点要求，还提及内部实现过程与主题相关模型训练流程，并推荐在 Huggingface 上找模型排行榜以助选择。

本文介绍了如何使用BERTopic进行文本主题建模和可视化。BERTopic结合了SentenceTransformer、UMAP和HDBSCAN等工具，能够高效地从文本数据中提取主题。通过visualize_topics()方法，可以直观地展示主题分布；visualize_hierarchy()方法则用于呈现主题的层次结构。此外，visualize_heatmap()和visualize_barchart()方法分别用于展示主题间的相似度和关键词权重。这些可视化工具帮助用户更好地理解和解释主题建模的结果。

本文探讨了基于BERTopic的主题建模技术及其多种实现方式。BERTopic结合了BERT嵌入和聚类算法，能够高效提取文本数据的主题。通过使用不同的嵌入模型（如SentenceTransformer、OpenAI模型）和调整降维（UMAP）及聚类（HDBSCAN）参数，可以灵活优化主题建模效果。此外，还介绍了利用TF-IDF向量进行主题建模的方法，以及如何通过自定义降维模型实现无降维的主题提取。这些方法为文本分析提供了多样化的工具，有助于深入挖掘文本数据的内在结构和主题信息。

摘要：本文对比了PCA、t-SNE和UMAP三种降维方法。PCA是线性方法，时间复杂度为 O(n3)，适合线性数据，能保留较多原始信息。t-SNE是非线性方法，时间复杂度为 O(nlogn)，擅长保留局部结构，但不适合大规模数据且无法捕获全局结构。UMAP通过拓扑结构实现降维，时间复杂度为 O(n1.14)，能同时保留全局和局部结构，适合复杂数据。实验表明，UMAP在处理复杂数据时表现最佳，其次是t-SNE和PCA