通常，你可以使用 online topic modeling 来实现这个功能。这种方法可以随着新主题的出现不断找到新的主题。
如果你想使用 HDBSCAN 来替代，你可以按照以下步骤操作：

• 在已有的数据上训练一个单一的模型。
• 在新的月份上训练一个新的模型。
• 比较两个模型的主题嵌入，以查看哪些主题相似，哪些是新的主题。
• 使用包含新月份的所有数据创建一个新的模型。
• 使用 manual BERTopic 在新模型中创建一个包含旧主题和新分配主题的新模型。

你好，我对这个问题很感兴趣。你能详细说明一下你上面提到的步骤吗？我目前正在尝试比较三种方法：在线模型、动态模型和手动模型，以比较旧的主题和新分配的主题，但我不太明白如何验证这些模型的性能或“正确性”。有没有办法比较这些方法呢？

但是我不太明白如何验证这些模型的性能或“正确性”。有没有办法比较这些方法？

关于验证，没有一种方法适用于所有用例。由于主题建模的性质，你定义的“性能”或“正确性”可能非常主观。有一些指标可以使用，例如一致性和特定于簇的指标，但这都取决于你试图实现的具体目标。

除了上面提到的方法之外，还有一种方法是将不同的主题模型合并在一起，以检测潜在的新主题的出现。你可以在 here 中找到更多关于这个的信息，它已经集成到主分支中，并将在几周内正式发布。

另一种方法是将不同的主题模型合并在一起，以检测新主题的潜在出现。你可以在主分支中找到更多关于#1516的信息，它将在几周后正式发布。
@MaartenGr:我非常感兴趣地想使用这个！你对这个何时会正式发布有更明确的想法吗？

@Macdaddy24 我无法给出一个具体的日期，但我计划在这个月发布新版本。随着软件包的增长，复杂性也在增加，我想确保有足够的文档来涵盖许多使用场景。

MaartenGr: 听起来不错！我很欣赏你对细节的专注。