Agentopic：用于可解释主题建模的生成式 AI 代理工作流程

Agentopic 是一种基于代理的新型工作流程，用于可解释的主题建模，利用 大语言模型 (LLM) 的推理功能。现有的主题建模方法（例如潜在狄利克雷分配 (LDA) 和 BERTopic）通常缺乏主题分配或分组方式的透明度。 Agenttopic 通过使用多个代理来协作执行主题识别、验证、分层分组和自然语言解释来解决此问题。这种设计使用户能够追踪主题分配背后的推理，在不牺牲准确性的情况下增强可解释性。当使用英国广播公司 (BBC) 数据集的主题作为种子时，Agentopic 的 F1 分数为 0.95，与 GPT-4.1 匹配，比 LDA (0.93) 有所改进，并接近 BERTopic (0.98)。我们使用 Agentopic 通过生成的解释来增强 BBC 数据集，以提高数据集的丰富性和上下文。未种子的 Agentopic 生成了 2045 个语义连贯的主题，这些主题跨六个层次结构组织，极大地丰富了原始的五类结构。通过在整个工作流程中嵌入可解释性，Agentopic 提供了黑盒模型的可解释替代方案，使其对于金融和医疗保健等关键应用特别有价值。