nlp文本主题提取算法总结

1. BERTopic:

   • 简介： 基于预训练的语言模型BERT（Bidirectional Encoder Representations from Transformers）的主题模型，通过将文档嵌入到BERT空间中并进行聚类，实现主题提取。
   • 作者： 出自Cherubin等人的研究（2021）。

2. BigARTM (Big Additive Regularization Topic Model):

   • 简介： BigARTM是一种多模态、多目标的主题模型，可以处理大规模文本集合，并且允许用户通过添加正则化项来引导主题模型学习特定的模式。
   • 作者： 出自"BigARTM: Open-Source Library for Regularized Multimodal and Multilingual Topic Modeling"（2015）。

3. LDA2Vec:

   • 简介： LDA2Vec是一种将词向量和主题模型（Latent Dirichlet Allocation, LDA）结合的方法，通过将LDA中的主题表示嵌入到词嵌入空间中，实现更好的语义建模。
   • 作者： 出自"Dynamic Topic Models for Tracking Research Communities over Time"（2016）。

4. ETM (Embedding Topic Model):

   • 简介： ETM是一种将主题嵌入到连续空间的模型，通过学习主题嵌入向量，将文档嵌入到主题空间中，以获得更丰富的语义表示。
   • 作者： 出自"A Neural Probabilistic Topic Model"（2019）。

5. Biterm Topic Model (BTM):

   • 简介： BTM是一种基于二项分布的主题模型，通过对文档中的词对（biterms）进行建模，实现了在大规模文本集上高效的主题建模。
   • 作者： 出自"Modeling Bimodal Texts with the Biterm Topic Model"（2014）。