metadata
tags:
- bertopic
library_name: bertopic
pipeline_tag: text-classification
kmeans_7
This is a BERTopic model. BERTopic is a flexible and modular topic modeling framework that allows for the generation of easily interpretable topics from large datasets.
Usage
To use this model, please install BERTopic:
pip install -U bertopic
You can use the model as follows:
from bertopic import BERTopic
topic_model = BERTopic.load("Trubnik1967/kmeans_7")
topic_model.get_topic_info()
Topic overview
- Number of topics: 7
- Number of training documents: 29572
Click here for an overview of all topics.
| Topic ID | Topic Keywords | Topic Frequency | Label |
|---|---|---|---|
| 0 | юбка - брюки - штаны - блузка - носить | 8516 | 0_юбка_брюки_штаны_блузка |
| 1 | покупатель - заказывать - отказаться - ожидание - прождать | 11298 | 1_покупатель_заказывать_отказаться_ожидание |
| 2 | увы - отсутствие - товар - не - данный | 253 | 2_увы_отсутствие_товар_не |
| 3 | невернуть - денежный - деньга - возвратить - доставить | 551 | 3_невернуть_денежный_деньга_возвратить |
| 4 | заказ - доставить - arriverd - выслать - увы | 110 | 4_заказ_доставить_arriverd_выслать |
| 5 | не - прийти - приехать - дойти - отправить | 129 | 5_не_прийти_приехать_дойти |
| 6 | ткань - шов - нитка - хлопок - сшить | 8715 | 6_ткань_шов_нитка_хлопок |
Training hyperparameters
- calculate_probabilities: True
- language: None
- low_memory: False
- min_topic_size: 100
- n_gram_range: (1, 1)
- nr_topics: 7
- seed_topic_list: None
- top_n_words: 10
- verbose: True
- zeroshot_min_similarity: None
- zeroshot_topic_list: None
Framework versions
- Numpy: 1.25.2
- HDBSCAN: 0.8.33
- UMAP: 0.5.5
- Pandas: 1.5.3
- Scikit-Learn: 1.2.2
- Sentence-transformers: 2.5.1
- Transformers: 4.39.0
- Numba: 0.58.1
- Plotly: 5.15.0
- Python: 3.10.12