Una biblioteca de Python para agrupar rápidamente en CPU grandes vectores de embeddings de alta dimensionalidad, con una API al estilo de scikit-learn.
35622PythonBSD-2-ClauseActualizado hace 9 días
MaartenGr/BERTopic
Una biblioteca de Python para modelar temas que combina embeddings de transformers con c-TF-IDF para obtener temas interpretables a partir de texto.
- Estrellas
- 7,942
- Forks
- 931
- Issues abiertos
- 478
- Último commit
- anteayer
¿Qué es?
BERTopic es una biblioteca de Python para modelar temas. Genera embeddings de documentos con modelos transformer, reduce su dimensionalidad, los agrupa y describe cada grupo con sus palabras más distintivas mediante un procedimiento de TF-IDF basado en clases. El resultado es un conjunto de temas con descripciones legibles basadas en palabras clave, además de asignaciones de temas y probabilidades para cada documento.
La biblioteca es modular. Se puede sustituir o quitar cada etapa, incluido el modelo de embeddings, la reducción de dimensionalidad, la agrupación, la tokenización, la ponderación de términos y la representación de temas. Las representaciones de temas se pueden refinar con palabras clave al estilo de KeyBERT, etiquetas generadas por LLM, como las de modelos de OpenAI, o varias representaciones a la vez mediante el modelado de múltiples aspectos.
Además del ajuste básico, BERTopic admite el modelado de temas guiado, supervisado, semisupervisado, zero-shot, jerárquico, dinámico a lo largo del tiempo, por clase, en línea y multimodal. También ofrece visualizaciones interactivas, como un mapa de temas similar al de LDAvis, y métodos para guardar, cargar y combinar modelos.
Funciones clave
- 01Crea temas a partir de embeddings de transformers, reducción de dimensionalidad al estilo de UMAP y agrupación al estilo de HDBSCAN.
- 02Describe los temas con palabras clave de c-TF-IDF y permite refinarlos con representaciones basadas en KeyBERT o LLM.
- 03Admite el modelado de temas guiado, supervisado, zero-shot, jerárquico, dinámico y en línea.
- 04Ofrece visualizaciones interactivas de temas, documentos, jerarquías y temas a lo largo del tiempo.
- 05Permite sustituir o quitar cada etapa del pipeline.
Casos de uso
- Explorar grandes colecciones de comentarios de clientes, tickets de soporte o respuestas a encuestas para encontrar temas recurrentes.
- Seguir cómo cambian con el tiempo los temas de noticias, redes sociales o resúmenes de investigaciones.
- Analizar colecciones de documentos en varios idiomas con un modelo multilingüe de embeddings.
- Asignar a grupos de textos nombres de temas legibles generados por un LLM.
Inicio rápido
- 1
Instala BERTopic con pip
pip install bertopic - 2
Entrena el modelo con tus documentos usando fit_transform en Python
Antes de usarlo
- La instalación predeterminada incluye dependencias pesadas, como transformers y UMAP, por lo que se necesita una instalación ligera para reducir el espacio ocupado.
- Algunas funciones opcionales de etiquetado de temas, como la representación de OpenAI, requieren una clave de API de un servicio de pago.
En colecciones
Temas
#topic-modeling#nlp#sentence-embeddings#transformers#clustering#text-analysis#bert#ldavis#machine-learning#topic
Preguntas frecuentes
- ¿Qué es BERTopic?
- Una biblioteca de Python para modelar temas que combina embeddings de transformers con c-TF-IDF para obtener temas interpretables a partir de texto. BERTopic es una biblioteca de Python para modelar temas. Genera embeddings de documentos con modelos transformer, reduce su dimensionalidad, los agrupa y describe cada grupo con sus palabras más distintivas mediante un procedimiento de TF-IDF basado en clases. El resultado es un conjunto de temas con descripciones legibles basadas en palabras clave, además de asignaciones de temas y probabilidades para cada documento.
- ¿BERTopic es gratuito? ¿Qué licencia tiene?
- BERTopic es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿BERTopic sigue mantenido?
- Mantenimiento activo. El último commit de BERTopic fue el 5 nov 2026.
- ¿Para qué puedo usar BERTopic?
- Explorar grandes colecciones de comentarios de clientes, tickets de soporte o respuestas a encuestas para encontrar temas recurrentes. Seguir cómo cambian con el tiempo los temas de noticias, redes sociales o resúmenes de investigaciones. Analizar colecciones de documentos en varios idiomas con un modelo multilingüe de embeddings. Asignar a grupos de textos nombres de temas legibles generados por un LLM.
- ¿Cómo se instala BERTopic?
- Instala BERTopic con pip: pip install bertopic Entrena el modelo con tus documentos usando fit_transform en Python
- ¿Dónde consigo BERTopic?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/MaartenGr/BERTopic
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Biblioteca de tokenización rápida y de última generación en Rust, con bindings para Python y Node.js, para NLP y pipelines de modelos de lenguaje.
11,2 mil+9 esta semana1,2 milRustApache-2.0Actualizado ayer
Componentes y arquitecturas de spaCy que integran modelos transformer de Hugging Face, como BERT, RoBERTa y XLNet, en pipelines de spaCy.
1,4 mil177PythonMITActualizado hace 4 días
Repositorio en chino, organizado como un curso, que abarca fundamentos matemáticos de IA, machine learning, deep learning, Transformer, BERT y casos de competiciones, con código comentado y datasets.
3,6 mil476Jupyter NotebookMITActualizado hace 21 días
Biblioteca de NLP de alto rendimiento para Python y Cython, con tokenización, pipelines preentrenados y modelos entrenados para etiquetado, análisis sintáctico y reconocimiento de entidades.
IA y Machine Learning#nlp#machine-learning#named-entity-recognition#text-classification#tokenization
34 mil+31 esta semana4,7 milPythonMITActualizado hace 11 días
Ejecuta modelos Transformers de Hugging Face directamente en el navegador o en entornos de JavaScript, sin servidor y mediante ONNX Runtime.
16,4 mil+16 esta semana1,2 milJavaScriptApache-2.0Bien mantenidoActualizado hace 9 días