SeLATM：用片段级主题生成与反馈减少文档分析开销

主题建模是一种发现文档中隐藏主题的有效技术，广泛应用于各个行业领域的文本挖掘和数据分析。最近，基于大语言模型（LLM）的主题模型已经出现，它提示LLM生成主题，然后将主题分配给文档，从而产生比传统主题建模算法更自然和人类可读的主题。然而，主题分配过程的性质导致了某些缺点，例如无法在文档上产生主题分布、主题太宽或太窄、以及高资源消耗（资源消耗随着被分配主题的文档的数量和长度而增加）。这些问题对于工业应用尤其重要，因为工业应用需要高质量、深入的分析和大量文档的处理。在此背景下，本文介绍了一个名为 SeLATM 的框架，该框架通过Agentic 反馈循环采用分段级主题生成和主题细化来解决这些问题。各种数据集上的实验结果表明，与基于主题分配过程的方法相比，SeLATM 显着减少了 LLM 资源，同时保持了卓越的性能。