The Text Clustering repository contains tools to easily embed and cluster texts as well as label clusters semantically

example

我们的目标是在随机的网络样本中找到主题和他们的教育分数。这些主题用于创建合成数据生成的提示，并帮助我们理解所涵盖的领域范围。最初，我们对100,000个样本进行了聚类，得到145个聚类。然后使用文本聚类的推理模式将1500万个样本分配到这些聚类中;然而，其中一半不适合任何集群，并被排除在提示创建之外。

下面的例子是来自同一集群的网络样本，确定它们有共同的主题，例如:哲学，生活方式，线性代数，生物化学，经济学
另外，确定示例中的主题是否
大致适合作为大学/学校教材，同时要注意排除任何敏感/不适当/无关的内容，
包括但不限于性，露骨暴力，广告和诈骗，以及其他非学术主题。考虑广泛的内容，包括科学，
教育，历史，文化和实际应用，并对这些主题的教育程度进行评分，从1到10,1表示非常不教育
而且不适合在教育环境中，也不适合教育程度高的环境。输出格式应该是这样的:Topic: the_topic, Educational value rating: score。

“使用三个单词(逗号分隔)
描述上述文本中的一般主题。在任何情况下都不要使用枚举。＼
示例格式:树，猫，消防员”

模型下载

https://blog.csdn.net/m0_65609016/article/details/134020029
https://public.ukp.informatik.tu-darmstadt.de/reimers/sentence-transformers/v0.2/

sentence-transformers

https://zhuanlan.zhihu.com/p/457876366