一、说明

        使用BERT，UMAP和HDBSCAN捕获文档主题，紧随最先进的BERTopic架构（transformer编码器）。

        主题检测是一项 NLP 任务，旨在从文本文档语料库中提取全局“主题”。例如，如果正在查看书籍描述的数据集，主题检测将使我们能够将书籍分类，例如：“浪漫”、“科幻”、“旅行”等。

        在本教程中，我们将使用BERT的HuggingFace库实现以及用于聚类的HDBSCAN和用于降维的UMAP来实现。该管道将遵循Maarten Grootendorst提出的BERTopic结构：

伯特皮克管道

二、开始实践

        为了简单起见，我建议在Google Coolab中运行代码，但另一个平台也很好。

        首先安装必要的依赖项：

!pip install pandas numpy umap-learn transformers plotly hdbscan

        然后继续加载输入数据：

import pandas as pd
data = pd.read_csv("ecommerce.csv", on_bad_lines='skip', nrows=500)
data = data[[""]]

        在我们的示例中，数据对应于从 Kagg