你能创建一个可复现的例子吗？没有它很难看出到底出了什么问题。此外，在使用LogisticRegression时设置random_state可能会有所帮助。

你好，
我遇到了同样的问题。

from bertopic import BERTopic
from bertopic.vectorizers import ClassTfidfTransformer
from bertopic.dimensionality import BaseDimensionalityReduction
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import fetch_20newsgroups
from sentence_transformers import SentenceTransformer
from umap import UMAP

################## Data Preparation ##################
# Get labeled data
data = fetch_20newsgroups(subset="all", remove=("headers", "footers", "quotes"))
docs = data["data"]
y = data["target"]

################## Topic modelling ##################

##Prepare embeddings
sentence_model = SentenceTransformer("all-mpnet-base-v2")
embeddings = sentence_model.encode(docs, show_progress_bar=True)

##Train model
empty_dimensionality_model = BaseDimensionalityReduction()
clf = LogisticRegression(random_state=42)
ctfidf_model = ClassTfidfTransformer(reduce_frequent_words=True)

base_topic_model = BERTopic(
    umap_model=empty_dimensionality_model,
    hdbscan_model=clf,
    ctfidf_model=ctfidf_model,
    verbose=True,
    # calculate_probabilities=True,
)
topics, probs = base_topic_model.fit_transform(docs, embeddings, y=y)

##Transform same documents and check if the predicted topics are the same
new_topics, new_probs = base_topic_model.transform(docs, embeddings)
assert topics == new_topics

我相信在你的案例中，发生的情况如下。当你使用预测模型运行 .fit_transform 时，它返回了 y 变量，而不是实际的预测结果。由于模型应该在监督任务中进行拟合，并且你已经将文档分配到了聚类中，因此 y 变量直接用于创建所谓的“预测”。尽管它们在技术上并不是真正的预测。
然后，当你运行 .transform 时，底层的预测确实被用于运行 .predict 以生成预测，因为我们假设 .transform 用于为未见过的文档生成预测。
总之，在 BERTopic 的 .fit_transform 中，只使用了你的 LogisticRegression 的 .fit,而没有实际运行预测就返回了 y。相比之下，在 BERTopic 的 .transform 中，使用了你的 LogisticRegression 的 .predict,并返回了它的预测结果。如果这两个主题实际上是相同的，那实际上意味着你的模型过拟合了。

如果两个主题相同，实际上意味着你的模型过拟合了。
@MaartenGr 非常感谢您的快速回复。由于我对这个领域不太了解，所以我不太理解。我所理解的是，fit_transform(docs, y=y) 和 transform(docs) 的主题输出不应该相同，这是监督主题建模的要求。

是的，但理解为什么也很重要。这意味着当你训练一个分类器时，很少会出现在y上训练时，它会在.fit和.transform之间完美地重现y的情况。分类算法几乎总是原始y的代理，并试图重现它。没有一个分类算法是100%准确的，这也是你在这里看到的。