主题模型标签llms

：PetrKoráb*，Martin Feldkircher **，*** Viktoriya Teliha **（**文本挖掘故事，布拉格，**维也纳国际研究学院，***应用宏观经济分析中心，澳大利亚）。

petrkoráb Martin Feldkircher **，*** Viktoriya Teliha

需要域经验，并且可能对标签者进行主观。尤其是当主题的数量越来越大时，可以使用LLM自动为主题分配可读的名称可能很方便。仅将结果复制并粘贴到UIS（例如chatgpt.com）中，这是一个非常“黑框”和非系统性的。一个更好的选择是将主题标签添加到代码中的标签，这使工程师更能控制结果并确保可重复性。本教程将详细探讨：

chatgpt.com，

如何使用新的新胸部Python软件包训练主题模型，以将主题模型标记为GPT-4.0 Mini标记。

如何使用新的新胸部Python软件包培训主题模型

胸部

如何用GPT-4.0 mini标记主题模型。

我们将培训Xiaobao Wu等人的尖端快速po型模型。 [3]在去年的神经上发表。该模型在几个关键指标（例如主题多样性）中的表现优于其他竞争模型，例如Bertopic，并且在商业智能中具有广泛的应用。

快速popic Xiaobao Wu等。 [3 神经 优于其他竞争模型 bertopic 商业智能中的应用。 1。主题建模管道的组件 图像1。主题建模管道的组成部分。source：从Kardos等人[2]改编和延伸。 产品经理 客户服务 2。数据 我们将使用FastOpic将客户投诉数据分类为10个主题。该示例使用案例使用了根据GPL-3许可证许可的Kaggle上可用的合成生成的客户服务电子邮件数据集。预滤波数据涵盖了向客户服务部门的692封传入的电子邮件，看起来像这样： 客户服务电子邮件 GPL-3许可证 2.1。数据预处理 快速popic Xiaobao Wu等。 [3 神经 优于其他竞争模型 bertopic

商业智能中的应用。

1。主题建模管道的组件

图像1。主题建模管道的组成部分。source：从Kardos等人[2]改编和延伸。 产品经理

客户服务

2。数据

我们将使用FastOpic将客户投诉数据分类为10个主题。该示例使用案例使用了根据GPL-3许可证许可的Kaggle上可用的合成生成的客户服务电子邮件数据集。预滤波数据涵盖了向客户服务部门的692封传入的电子邮件，看起来像这样： 客户服务电子邮件

GPL-3许可证

2.1。数据预处理快速popic