目前这是不可能的，因为这将导致更改.visualize_heatmap函数的API。然而，您可以自己提炼部分代码来创建相关矩阵，因为它简化为嵌入之间的简单余弦相似度：
BERTopic/bertopic/plotting/_heatmap.py
第95行在5c9aad2中
| | distance_matrix=cosine_similarity(embeddings) |

非常感谢Maarten。在阅读了您的源代码后，我也意识到这只是几行代码，很容易在外部实现。
关于这个主题，我想了解一下您对合并主题方法的看法。
我正在处理一个中等大小(约10k个示例)的数据集，我没有标签。所以我对主题的真实分布一无所知，也就是说，这是我的无监督学习案例。
我目前的策略是首先拟合一个能够产生足够多主题的模型，例如30-50个。然后我检查相关矩阵和热图，以找出是否有冗余的主题，例如与其他主题高度相关的那些。然后使用merge_topics()函数来减少数量。
您认为这种方法有意义吗？
非常感谢！

这听起来是一个合理的方法！你也可以使用.reduce_topics来自动减少它们，但无论对你来说哪种方法最好。请注意，你还可以使用hierarchical topic modeling来了解哪些主题可能可以合并。