如何获取model.visualize_topics()函数- BERTopic的坐标信息

Question

我正在尝试获取model.visualize_topics()为我的BERTopic主题分析项目在图形上放置的文档的坐标信息。有没有办法查看该函数的源代码并保存用于更高级分析的坐标？

我发现下面的代码是visualize_topics()函数的源代码。但是里面没有任何关于坐标的信息。

def visualize_topics(self,
                     topics: List[int] = None,
                     top_n_topics: int = None,
                     width: int = 650,
                     height: int = 650) -> go.Figure:
    """ Visualize topics, their sizes, and their corresponding words

    This visualization is highly inspired by LDAvis, a great visualization
    technique typically reserved for LDA.

    Arguments:
        topics: A selection of topics to visualize
        top_n_topics: Only select the top n most frequent topics
        width: The width of the figure.
        height: The height of the figure.

    Examples:

    To visualize the topics simply run:

    ```python
    topic_model.visualize_topics()
    ```

    Or if you want to save the resulting figure:

    ```python
    fig = topic_model.visualize_topics()
    fig.write_html("path/to/file.html")
    ```
    """
    check_is_fitted(self)
    return plotting.visualize_topics(self,
                                     topics=topics,
                                     top_n_topics=top_n_topics,
                                     width=width,
                                     height=height)

Answer 1

为了在BERTopic中实现模块化，对主要功能进行了划分。您可以在BERTopic here中找到有关绘图的所有信息，更具体地说，您可以找到plotting.visualize_topics here的代码。

尽管如此，这一职能的一部分是创建以下坐标系统：

embeddings = topic_model.c_tf_idf_.toarray()[indices]
    embeddings = MinMaxScaler().fit_transform(embeddings)
    embeddings = UMAP(n_neighbors=2, n_components=2, metric='hellinger').fit_transform(embeddings)

这里，它采用c-TF-以色列国防军对所有主题的表示，对它们进行缩放，最后使用使用Hellinger距离的UMAP进行维数约简，将表示映射到二维空间。但是，需要注意的一点是，在UMAP中没有设置random_state，这导致了一个随机过程。