如何在bertopic建模中获取每个主题的所有文档

Question

我有一个数据集并尝试使用 berTopic 建模将其转换为主题，但问题是，我无法获取主题的所有文档。 berTopic 每个主题仅返回 3 个文档。

topic_model  = BERTopic(verbose=True, embedding_model=embedding_model,
                                nr_topics = 'auto',
                                n_gram_range = (3,3),
                                top_n_words = 10,
                               calculate_probabilities=True, 
                              seed_topic_list = topic_list,
                              )
topics, probs = topic_model.fit_transform(docs_test)
representative_doc = topic_model.get_representative_docs(topic#1)
representative_doc

Answer 1

可能有更优雅的解决方案，因为我不是专家，但我可以分享对我有用的方法：

topics, probs = topic_model.fit_transform(docs_test)

返回主题。

因此，您可以将此输出与文档结合起来。 例如，使用以下方法将它们组合成 Pandas 数据框：

df = pd.DataFrame({'topic': topics, 'document': docs_test})

现在，您可以针对每个主题过滤此数据框以识别引用文档：

topic_0 = df[df.topic == 0]

Answer 2

BERTopic

get_document_info()

有一个 API，它返回每个文档及其关联主题的数据帧。 https://maartengr.github.io/BERTopic/api/bertopic.html#bertopic._bertopic.BERTopic.get_document_info

该API的响应如下所示：

索引	文件	主题	姓名	...
0	doc1_文本	241	kw1_kw2_	...
1	doc2_文本	-1	kw1_kw2_	...

您可以使用此数据框使用 pandas groupby 或您喜欢的方式获取与特定主题关联的所有文档。

T = topic_model.get_document_info(docs)
docs_per_topics = T.groupby(["Topic"]).apply(lambda x: x.index).to_dict()

代码返回如下所示的字典：

{
    -1: Int64Index([3,10,11,12,15,16,18,19,20,22,...365000], dtype='int64',length=149232),
    0: Int64Index([907,1281,1335,1337,...308420,308560,308645],dtype='int64',length=5127),
    ...
}