更新：现在可以嵌入预训练的通用句子编码器和BERT句子转换器。阅读。 Top2Vec Top2Vec是用于主题建模和语义搜索的算法。它会自动检测文本中存在的主题，并生成联合嵌入的主题，文档和单词向量。训练Top2Vec模型后，您可以： 获取检测到的主题数。 获取主题。 获取主题大小。 获取层次结构主题。 通过关键字搜索主题。 按主题搜索文档。 通过关键字搜索文档。 查找类似的单词。 查找类似的文档。 使用公开模型 有关其工作原理的更多详细信息，请参见。 好处 自动查找主题数。 无需停用词列表。 无需词干/词形限制。 适用于短文本。 创建联合嵌入的主题，文档和单词向量。 内置搜索功能。 它是如何工作的？ 该算法所做的假设是，许多语义上相似的文档都表明了一个潜在的主题。第一步是创建文档和单词向量的联合嵌入。将文档和单词嵌入向量空间后，算法的目标是找到文档的密集簇，然后确定哪些单词将这些文档

Topic2Vector是用于主题建模和语义搜索的算法。它自动检测文本中存在的主题，并生成联合嵌入的主题，文档和单词向量。op2Vec - Generate topic, document and word embeddings.' by Dimo Angelov 安装Top2Vec的简单方法是：pip install top2vec 用法 从 top2vec 导入 Top2Vec 型号= Top2Vec（文档） 参数： documents：输入语料库，应为字符串列表。 speed：此参数将确定模型训练的速度。“快速学习”选项是最快的，将生成最低质量的向量。“学习”选项将学习更好的质量向量，但需要花费更长的时间进行训练。“深度学习”选项将学习最佳质量的向量，但将花费大量时间进行训练。 workers：用于训练模型的工作线程数量。较大的数量将导致更快的培训。 经过训练的模型可以保存和加载。 model.save（“ filename ”） 型号= Top2Vec.load（“ filename ”）