THETA主题模型

基于通义千问嵌入的先进主题建模

---

THETA是一个先进的主题建模框架，利用Qwen3-Embedding模型在主题发现和分析中实现卓越性能。THETA设计为对LDA和ETM等传统主题模型的改进，结合了大语言模型嵌入的强大能力与先进的神经主题建模架构。

• 快速入门

  ---

  几分钟内安装THETA并训练您的第一个主题模型

  快速开始

• 用户指南

  ---

  从数据准备到结果分析的完整工作流程

  用户指南

• 模型

  ---

  THETA和基线模型的架构细节

  模型

• API参考

  ---

  所有CLI工具的完整参数文档

  API参考

• 附录

  ---

  常见问题、补充参考与硬件性能基准

  附录A

---

主要特点

特点	描述
强大嵌入	基于Qwen3-Embedding（0.6B / 4B / 8B）实现卓越语义理解
灵活训练	零样本、有监督和无监督模式
丰富可视化	主题分布、热图、UMAP投影、pyLDAvis
多语言	完全支持英文和中文数据
可扩展	通过新数据集和配置轻松定制
全面评估	TD、TC、NPMI等更多指标

---

模型比较

模型	嵌入	类型	特点
THETA	Qwen3-Embedding	神经模型	我们的方法 — 最佳性能
LDA	—	概率模型	经典生成式模型
ETM	Word2Vec	神经模型	嵌入主题模型
CTM	SBERT	神经模型	上下文模型
DTM	SBERT	神经模型	动态时序模型

---

快速示例

# 1. 预处理数据
python prepare_data.py \
    --dataset 20ng \
    --model theta \
    --model_size 0.6B \
    --mode zero_shot \
    --vocab_size 5000 \
    --gpu 0

# 2. 训练模型
python run_pipeline.py \
    --dataset 20ng \
    --models theta \
    --model_size 0.6B \
    --mode zero_shot \
    --num_topics 20 \
    --epochs 100 \
    --gpu 0

---

引用

如果您在研究中使用THETA，请引用：

@article{theta2025,
  title={THETA: Advanced Topic Modeling with Qwen Embeddings},
  author={CodeSoul},
  year={2025}
}

---

链接

• GitHub Repository
• Website