Agentopic：面向可解释主题建模的生成式 AI 代理工作流
机器学习
2026-05-05 v1 人工智能
摘要
Agentopic 是一种基于代理的工作流，用于可解释主题建模，利用大型语言模型（LLM）的推理能力。现有的主题建模方法，如潜在 Dirichlet 分配（LDA）和 BERTopic，往往缺乏主题如何被分配或分组的透明度。Agentopic 通过使用多个代理协作执行主题识别、验证、层次分组和自然语言解释来解决这一问题。这种设计使用户能够追踪主题分配背后的推理过程，增强可解释性而不牺牲准确性。当使用英国广播公司（BBC）数据集中的主题作为种子时，Agentopic 实现了 0.95 的 F1 分数，匹配 GPT-4.1，优于 LDA（0.93），接近 BERTopic（0.98）。我们使用 Agentopic 为 BBC 数据集添加生成的解释，以提高数据集的丰富性和上下文。未经种子的 Agentopic 生成了 2045 个在语义上连贯的主题，跨越六个层次，极大地丰富了原始五级类别结构。通过在整个工作流中嵌入可解释性，Agentopic 提供了一种对黑箱模型的可解释替代方案，特别适用于金融和医疗等关键应用。
引用
@article{arxiv.2605.00833,
title = {Agentopic: A Generative AI Agent Workflow for Explainable Topic Modeling},
author = {Brice Valentin Kok-Shun and Johnny Chan and Gabrielle Peko and David Sundaram},
journal= {arXiv preprint arXiv:2605.00833},
year = {2026}
}
备注
16 pages, 2 figures