> ML_KUTUPHANE // BERTOPIC_v1.0
BERTopic
Maarten Grootendorst / Open Source — Kolayca yorumlanabilir konular oluşturmak için transformer modelleri ve c-TF-IDF kullanımı.
nlp-llmv0.16.4MITqualified
Model Eğitimi (Training)
Desteklenen Hızlandırıcılar:
CPUCUDAROCMMPS
Dağıtık Eğitim (Distributed):Hayır
Model Sunumu (Inference)
Inference Hızlandırıcıları:
CPUCUDAROCMMPS
Hedef Ortamlar (Targets):server
Neleri Sağlar (Ne Yapar)
- +Sentence-Transformers, UMAP ve HDBSCAN kullanan yapay sinir ağı tabanlı konu modelleme
- +Yüksek yorumlanabilirlik sunan sınıf tabanlı TF-IDF (c-TF-IDF) konu kelime gösterimleri
- +Konuların zaman içinde nasıl değiştiğini izleyen dinamik zamansal konu modelleme
Neleri Sağlamaz (Ne Yapmaz)
- -Serbest biçimli üretici metinler üretme
- -Mikrodenetleyicilerde çalışma
- -Geleneksel işlemsel arama motorlarının yerini alma
>Uygun İş Tipleri
- Müşteri geri bildirimleri, anketler ve destek kayıtlarında öne çıkan temaları keşfetme
- Akademik makaleler veya haber arşivlerindeki zamansal eğilimleri analiz etme
- Kurumsal bilgi tabanlarının hiyerarşik kümelenmesi
>Uygun Olmayan İş Tipleri
- Gerçek zamanlı mikrosaniye seviyesinde belge yönlendirme
- Sayısal tablo finansal modelleme
Veri Yerleşimi ve İkameti
Süreç içi ana makine ve GPU belleği.
Güvenlik Değerlendirmesi
SafeTensors veya JSON meta verisiyle kaydedildiğinde güvenlidir.
Operasyonel Metrikler ve Bilinen Kısıtlar
Olgunluk:mature
Öğrenme Eğrisi:low
Operasyon Yükü:low
Maliyet Seviyesi:free-oss
> Bilinen Kısıtlamalar:
- random_state sabitlenmediğinde UMAP boyut indirgemesi rassallık yaratabilir.
- HDBSCAN kümelemesi çok sayıda atanmamış aykırı belge (-1) üretebilir.
İlişkili Üretim Arıza Paternleri (Incidentpedia)
Bu kütüphaneyi üretimde kullanırken aşağıdaki arıza senaryolarına karşı fail-closed korumalar uygulayın:
> Birincil Kanıt ve Doğrulama Kaynakları
BERTopic Documentationofficial-docs • >=0.14.0, <=0.16.x
2026-09-25HIGH