Zur Löschdiskussion Begründung:Relevanz als Software wird nicht ausreichend nachgewiesen, weder die Wahrnehmung noch die Verbreitung. Die ENs vom Entwickler selbst sind als Relevanzbeschaffer untauglich. -- WMS.Nemo (Diskussion) 17:05, 21. Okt. 2026 (CEST)
TriTopic ist ein quelloffenes Verfahren und eine Python-Bibliothek zur automatischen Themenmodellierung (englisch topic modeling) von Textsammlungen. Es wurde 2026 von Roman Egger vorgestellt. Das Verfahren verbindet semantische Textrepräsentationen auf Grundlage von Embeddings mit lexikalischen Informationen aus dem TF-IDF-Maß und optional mit Metadaten in einem gemeinsamen Dokumentgraphen. Die Themen werden anschließend durch graphbasierte Erkennung von Gemeinschaften und wiederholtes Clustering bestimmt.
Vereinfachter Ablauf des TriTopic-Verfahrens
Hintergrund
Themenmodellierung dient dazu, wiederkehrende thematische Strukturen in größeren Textsammlungen zu erkennen. Klassische Verfahren sind unter anderem die Latent Semantic Analysis, die Nichtnegative Matrixfaktorisierung und die Latent Dirichlet Allocation (LDA). Neuere Ansätze wie BERTopic oder Top2Vec gruppieren Dokumente anhand von Transformer-basierten Text-Embeddings mit Clusterverfahren.
TriTopic gehört zu den embedding- und graphbasierten Verfahren. Anders als probabilistische Themenmodelle wie LDA beruht es nicht auf einem generativen Wahrscheinlichkeitsmodell, sondern modelliert Ähnlichkeiten zwischen Dokumenten als Graph. Als Schwächen bestehender embeddingbasierter Verfahren nennt die Veröffentlichung schwankende Ergebnisse zwischen Durchläufen, den Verlust lexikalischer Präzision sowie die Beschränkung auf eine einzige Datenperspektive.
Verfahren
Ablauf von TriTopic in zwei Phasen: Graphkonstruktion aus mehreren Perspektiven sowie Konsens-Clustering und Verfeinerung
Repräsentationen
Die Dokumente werden zunächst mit einem Sentence-Embedding-Modell in Vektoren überführt, deren Dimensionalität mit UMAP reduziert wird. Semantisch ähnliche Texte liegen dadurch auch dann nahe beieinander, wenn sie unterschiedliche Wörter verwenden. Zusätzlich wird eine lexikalische Repräsentation auf Basis von TF-IDF berechnet, die den tatsächlichen Wortgebrauch berücksichtigt. Optional können Metadaten wie Quelle oder Zeitpunkt einbezogen werden; sie verstärken laut Dokumentation nur Verbindungen zwischen bereits inhaltlich ähnlichen Dokumenten und erzeugen keine neuen.
Semantische, lexikalische und optionale Metadaten-Perspektive in TriTopic
Graphkonstruktion
Aus den Repräsentationen wird ein gewichteter Dokumentgraph gebildet, in dem Dokumente die Knoten und Ähnlichkeiten die Kanten darstellen. Zur Bestimmung der Nachbarschaften verwendet das Verfahren Mutual k-Nearest Neighbors und Shared Nearest Neighbors. Verbindungen, die in mehreren Perspektiven auftreten, werden höher gewichtet.
Konsens-Clustering
Die Gemeinschaften im Graphen werden mit dem Leiden-Algorithmus bestimmt. Da dieser von zufälligen Initialisierungen abhängt, führt TriTopic die Clusteranalyse mehrfach durch und bildet daraus einen Konsensgraphen: Dokumentpaare, die in vielen Durchläufen derselben Gemeinschaft zugeordnet werden, erhalten stärkere Verbindungen. Dadurch sollen die Ergebnisse reproduzierbarer werden.
Themenanzahl und Verfeinerung
Die Zahl der Themen kann vorgegeben oder automatisch bestimmt werden. Im automatischen Modus werden mehrere Auflösungsparameter getestet und anhand der Kohärenz der Schlüsselbegriffe verglichen. Anschließend werden die Dokumentrepräsentationen schrittweise in Richtung des Zentrums ihres Themas verschoben und erneut geclustert, bis aufeinanderfolgende Lösungen übereinstimmen.
Themenrepräsentation
Die Themen werden durch charakteristische Begriffe und repräsentative Dokumente beschrieben. Bei der Auswahl der Begriffe wird neben der Häufigkeit auch berücksichtigt, über wie viele Dokumente eines Themas ein Begriff verteilt ist. Die Veröffentlichung beschreibt zudem eine archetypbasierte Darstellung von Themen, die neben zentralen Dokumenten auch Grenzfälle berücksichtigt. Im Unterschied zu dichtebasierten Verfahren wie HDBSCAN wird jedes Dokument einem Thema zugeordnet.
Weitere Funktionen
Die Bibliothek unterstützt eine teilweise vorstrukturierte Themenmodellierung, bei der bekannte Kategorien als sogenannte Seed Topics vorgegeben werden, während weitere Themen datengetrieben entstehen können. Daneben bietet sie Funktionen zur zeitlichen Entwicklung von Themen, zu hierarchischen Themenstrukturen sowie Analysewerkzeuge für die empirische Forschung, etwa zur Stabilität von Themen bei wiederholten Stichproben, zur thematischen Sättigung und zu Gruppenvergleichen.
Große Sprachmodelle sind für die Bildung der Themen nicht erforderlich. Sie können nach dem Clustering optional eingesetzt werden, um Themen zu benennen und zu beschreiben.
Evaluation
In der ursprünglichen Veröffentlichung wurde TriTopic auf den Datensätzen 20 Newsgroups, BBC News, AG News und arXiv mit LDA, nichtnegativer Matrixfaktorisierung und BERTopic verglichen. Der Autor berichtet für TriTopic eine mittlere Normalized Mutual Information (NMI) von 0,575 gegenüber 0,513 für BERTopic, 0,416 für NMF und 0,299 für LDA. Unabhängige Vergleichsstudien liegen bislang nicht vor.
Einsatzbereiche und Grenzen
Als Einsatzbereiche nennt die Dokumentation unter anderem offene Antworten aus Befragungen, Interviews, Kundenbewertungen, Nachrichtenartikel, Beiträge in sozialen Medien und Supportanfragen im Umfang von einigen hundert bis zehntausenden Texten. Weniger geeignet sei das Verfahren für sehr kurze Textschnipsel, für lange Dokumente mit vielen Themen, die zuvor in Abschnitte zerlegt werden sollten, sowie für Korpora mit Millionen von Dokumenten.
↑Roman Egger, Joanne Yu:A Topic Modeling Comparison Between LDA, NMF, Top2Vec, and BERTopic to Demystify Twitter Posts. In: Frontiers in Sociology. Band7, 2022, S.886498, doi:10.3389/fsoc.2022.886498.
↑Vincent A. Traag, Ludo Waltman, Nees Jan van Eck:From Louvain to Leiden: guaranteeing well-connected communities. In: Scientific Reports. Band9, 2019, S.5233, doi:10.1038/s41598-019-41695-z.
