最後更新：2026年10月15日

CHI 3242 課程大綱

第7週　主題模型（Topic Modeling）

1. 回顧

主題模型在一大批文件中自動找出「經常一起出現的一組詞」，也就是主題。LDA 假設：每個主題是詞的機率分布，每篇文件是幾個主題的混合。模型事先不知道有哪些主題，主題的名字要由我們根據高頻詞來取。主題數 K 也由我們決定，沒有唯一正確的答案。詳見本週投影片。

2. 課堂／課後練習：《全唐詩》的主題

打開你的智能體（agent）環境，把下面的提示詞貼給它。

• 資料：qhchina-data/corpora/misc/全唐诗.json
• 工具：qhchina 的 LDAGibbsSampler（qhchina.analytics.topicmodels）

請從 GitHub 下載《全唐詩》：
https://github.com/mcjkurz/qhchina-data/blob/main/corpora/misc/全唐诗.json

然後安裝 qhchina：
pip install qhchina

再用 qhchina.analytics.topicmodels.LDAGibbsSampler 訓練主題模型。
每一首詩算一篇文件，以「字」為單位（不分詞），並去掉標點符號。
用 qhchina 的 load_stopwords("zh_cl_sim") 去掉文言（簡體）停用詞。

先分別試 10 個和 20 個主題。
每個主題列出前 10 個字，並為每個主題舉 2 首最典型的詩。

看看結果：

• 哪些主題一看就懂？試著為它們取個名字。哪些主題看不懂？
• 10 個主題和 20 個主題有什麼不同？哪些主題在 20 個時被拆開了？
• 回到典型的詩，細讀幾首：主題的名字合適嗎？

接著可以讓智能體改變其他參數（例如 alpha、beta、iterations、stopwords），或換一個主題數，再比較結果。

延伸閱讀

• 蘇祺：〈主題模型〉，第十章，李飛躍、桑海（主編）《數字人文引論》。北京：中華書局，2026年
• Ted Underwood, “Topic Modeling Made Just Simple Enough” (2012)
• David M. Blei, “Probabilistic Topic Models” (2012)