Team Ai
Modelpublic

Ah7med/BERTopic_ArXiv

sourceHugging Faceupdated 2y agoView on Hugging Face
2likes254downloads
Model Card

tags:

  • —bertopic libraryname: bertopic pipelinetag: text-classification ---

-BERTopicArabnews

A modular implementation of BERTopic for topic modeling, specifically trained on Arabic news articles. This implementation allows for flexible component selection at each layer of the topic modeling pipeline.

image

The core of this project is BERTopic, which is used to perform topic modeling on the processed text. The following steps are performed:

- Topic Modeling: BERTopic is trained on the cleaned dataset to identify topics in the articles.
- Fine-tuning with KeyBERT: We use KeyBERT-inspired representations to improve the clarity and interpretability of the topics.
- Topic Extraction: The most frequent topics are extracted, and each document is assigned a topic.
- Topic Updates: The model can be fine-tuned by updating topics with n-grams for more domain-specific phrases.

Usage

To use this model, please install BERTopic:

pip install -U bertopic

You can use the model as follows:

python
from bertopic import BERTopic
topic_model = BERTopic.load("Ah7med/BERTopic_ArXiv")

topic_model.get_topic_info()

Topic overview

  • —Number of topics: 92
  • —Number of training documents: 30721

<details> <summary>Click here for an overview of all topics.</summary>

Topic IDTopic KeywordsTopic FrequencyLabel
-1رقم مليار - السمو - السمو الملكي - رقم رقم مليار - الملكي الأمير53-1رقم مليارالسموالسمو الملكيرقم رقم مليار
0النادي - اللاعبين - اللاعب - القدم - نادي96560النادياللاعبيناللاعبالقدم
1عدن - المقاومة - الحوثيين - اليمن - الحوثي29841عدنالمقاومةالحوثييناليمن
2التحرش - الكتاب - الشاعر - الشعر - الرواية11112التحرشالكتابالشاعرالشعر
3يونايتد - الدوري - الموسم - مانشستر - سيتي8983يونايتدالدوريالموسممانشستر
4إيران - النووي - الإيراني - الاتفاق النووي - أوباما8194إيرانالنوويالإيرانيالاتفاق النووي
5المرورية - وإنشاء - البلدية - الأمانة - المشروعات7565المروريةوإنشاءالبلديةالأمانة
6بشرطة - التحقيق - القبض - مقطع - التحرش5436بشرطةالتحقيقالقبضمقطع
7الفعاليات - المهرجان - فعاليات - مهرجان - الشعبية4967الفعالياتالمهرجانفعالياتمهرجان
8تركيا - التركية - داعش - الكردستاني - العمال الكردستاني4718تركياالتركيةداعشالكردستاني
9الهاتف - أبل - الذكية - الهواتف - ويندوز4569الهاتفأبلالذكيةالهواتف
10الباحثون - القلب - الجسم - الدم - الإصابة43110الباحثونالقلبالجسمالدم
11البلدية - الانتخابية - للانتخابات - الانتخابات - الناخبين39111البلديةالانتخابيةللانتخاباتالانتخابات
12الإسكان - العقاري - العقارية - نزع - نزع ملكية36012الإسكانالعقاريالعقاريةنزع
13- - - -35713____
14قوات الطوارئ - الإرهابي - الشهداء - استهدف - قوات35414قوات الطوارئالإرهابيالشهداءاستهدف
15الحرارة - الموج - الرياح - السطحية - غربية34015الحرارةالموجالرياحالسطحية
16داعش - إرهابية - الإرهابية - محكمة - تنظيم داعش31816داعشإرهابيةالإرهابيةمحكمة
17النفط - برميل - الخام - للبرميل - مليون برميل29717النفطبرميلالخامللبرميل
18الشهيد - العزاء - الفقيد - الشهداء - عسير29218الشهيدالعزاءالفقيدالشهداء
19الاحتلال - الإسرائيلية - الفلسطيني - الإسرائيلي - الفلسطينية29119الاحتلالالإسرائيليةالفلسطينيالإسرائيلي
20نائب خادم - نائب خادم الحرمين - الصافي - الفيصل - قهوجي28820نائب خادمنائب خادم الحرمينالصافيالفيصل
21الطلاب - موهبة - العلمية - هارفارد - جامعة هارفارد27421الطلابموهبةالعلميةهارفارد
22مجلس الوزراء - العهد - الاستقبال - وزير الدفاع - جمهورية27022مجلس الوزراءالعهدالاستقبالوزير الدفاع
23داعش - الإرهاب - الفكر - الإرهابية - الإسلام26623داعشالإرهابالفكرالإرهابية
24القبول - الجامعة - والتسجيل - القبول والتسجيل - رقم رقمهـ22924القبولالجامعةوالتسجيلالقبول والتسجيل
25الطفلة - المستشفى - المتوفاة - الشؤون الصحية - الصحية بمنطقة22725الطفلةالمستشفىالمتوفاةالشؤون الصحية
26الاستقدام - العمالة - وزارة العمل - الهندسية - مكاتب22726الاستقدامالعمالةوزارة العملالهندسية
27احتفل - بزواج - كريمة - والأصدقاء - تهانينا22727احتفلبزواجكريمةوالأصدقاء
28الفيلم - فيلم - أفلام - الأفلام - السينما21028الفيلمفيلمأفلامالأفلام
29السويس - قناة السويس - القناة - السويس الجديدة - قناة السويس الجديدة20629السويسقناة السويسالقناةالسويس الجديدة
30كلينتون - ترامب - الحزب - بوش - الجمهوري20130كلينتونترامبالحزببوش
31سرير - رقم سرير - بسعة - بسعة رقم - العيادات19631سريررقم سريربسعةبسعة رقم
32اليونان - اليورو - اليونانية - الأوروبي - النقد الدولي19632اليوناناليورواليونانيةالأوروبي
33مطار - الطيران - المطار - للطيران - المسافرين19533مطارالطيرانالمطارللطيران
34معايدة - التهاني - بمناسبة عيد - حفل معايدة - بمناسبة عيد الفطر19034معايدةالتهانيبمناسبة عيدحفل معايدة
35العبادي - الفساد - العراقي - البرلمان - رئيس الوزراء17835العباديالفسادالعراقيالبرلمان
36روسيا - التصفيات - كأس العالم - القرعة - كأس17436روسياالتصفياتكأس العالمالقرعة
37المدارس - الدراسي - العام الدراسي - مدارس - وزير التعليم16537المدارسالدراسيالعام الدراسيمدارس
38الطب - الجامعة - تبوك - القبول - كلية16338الطبالجامعةتبوكالقبول
39الحريق - حريق - الدفاع المدني - للدفاع المدني - الحادث16239الحريقحريقالدفاع المدنيللدفاع المدني
40حادث - الهلال الأحمر - الهلال - الحادث - الأحمر السعودي16240حادثالهلال الأحمرالهلالالحادث
41الفيفا - بلاتر - فيفا - بلاتيني - الاتحاد الدولي16141الفيفابلاترفيفابلاتيني
42الفائدة - الدولار - الأسهم - أسعار الفائدة - الصين15042الفائدةالدولارالأسهمأسعار الفائدة
43التصحيح - اليمنيين - تصحيح - تصحيح أوضاع - الجوازات13843التصحيحاليمنيينتصحيحتصحيح أوضاع
44بلدية - البلدية - الغذائية - الرقابة - المطعم13444بلديةالبلديةالغذائيةالرقابة
45النادي - سوق عكاظ - الأدبي - الثقافي - الأدبية13345الناديسوق عكاظالأدبيالثقافي
46المرضى - المنومين - المستشفى - المرضى المنومين - الهدايا12246المرضىالمنومينالمستشفىالمرضى المنومين
47المهاجرين - كاليه - مهاجر - اللاجئين - النفق12147المهاجرينكاليهمهاجراللاجئين
48للأوقية - الذهب - رقم للأوقية - رقم رقم للأوقية - بالمئة12148للأوقيةالذهبرقم للأوقيةرقم رقم للأوقية
49أغنية - الأغنية - كلمات - الفنان - وألحان11949أغنيةالأغنيةكلماتالفنان
50التمور - الأسعار - الاستراحات - الصيد - ريالا11850التمورالأسعارالاستراحاتالصيد
51رقم رقم المائة - الربع - اليورو - النمو - منطقة اليورو11751رقم رقم المائةالربعاليوروالنمو
52الخيرية - الأيتام - التطوعي - بسمتهم - نرسم11352الخيريةالأيتامالتطوعيبسمتهم
53الأسهم - أسهم رقم - أسهم شركات - للتأمين - بنسبة رقم رقم11153الأسهمأسهم رقمأسهم شركاتللتأمين
54الربع - صافي - أرباح - ريال - النصف الأول11054الربعصافيأرباحريال
55النار - براون - هولمز - بولاية - سينما10755الناربراونهولمزبولاية
56البلدين - محمد سلمان - الأمير محمد - الأمير محمد سلمان - سلمان عبدالعزيز10756البلدينمحمد سلمانالأمير محمدالأمير محمد سلمان
57المتنزه - القرش - بالمر - الحيوان - الحيوانات10457المتنزهالقرشبالمرالحيوان
58الفيضانات - الزلزال - الأمطار - باكستان - الإعصار10258الفيضاناتالزلزالالأمطارباكستان
59الفضاء - ناسا - الكوكب - كوكب - سطح10159الفضاءناساالكوكبكوكب
60المقابلات - المعلمين - شؤون المعلمين - المقابلات الشخصية - المرشحين9660المقابلاتالمعلمينشؤون المعلمينالمقابلات الشخصية
61الأراضي اليمنية - اليمنية - داخل الأراضي اليمنية - داخل الأراضي - الدفاع المدني9661الأراضي اليمنيةاليمنيةداخل الأراضي اليمنيةداخل الأراضي
62المعرض - والفنون - المفتاحة - الفنانين - التشكيلي9662المعرضوالفنونالمفتاحةالفنانين
63المعارضة - قوات النظام - السوري - المرصد - الزبداني9463المعارضةقوات النظامالسوريالمرصد
64أشعة الشمس - أشعة - الشمس - وزارة العمل - مكتب العمل9464أشعة الشمسأشعةالشمسوزارة العمل
65وأطيب التمنيات - التهاني وأطيب التمنيات - التهاني وأطيب - التمنيات - وأطيب9365وأطيب التمنياتالتهاني وأطيب التمنياتالتهاني وأطيبالتمنيات
66السيارة - جي - الكهربائية - رقمررقم - للسيارات9266السيارةجيالكهربائيةرقمررقم
67الحفل - الأهالي - بلدية - بعيد الفطر - الاحتفال9067الحفلالأهاليبلديةبعيد الفطر
68الرمادي - الأنبار - داعش - تنظيم داعش - القوات8868الرماديالأنبارداعشتنظيم داعش
69المالكي - العراق - العراقية - نوري - نوري المالكي8769المالكيالعراقالعراقيةنوري
70سموه - أمير منطقة - استقبل - أمير منطقة الرياض - منطقة الرياض7970سموهأمير منطقةاستقبلأمير منطقة الرياض
71موبايلي - العملاء - خدمات الاتصالات - هيئة الاتصالات - التجمعات7771موبايليالعملاءخدمات الاتصالاتهيئة الاتصالات
72الفيصل - سعود الفيصل - الأمير سعود - الأمير سعود الفيصل - الدبلوماسية7672الفيصلسعود الفيصلالأمير سعودالأمير سعود الفيصل
73سهم - رقم نقطة - المئة - رقم المئة - رقم رقم المائة7473سهمرقم نقطةالمئةرقم المئة
74طالبان - الأفغانية - حركة طالبان - أفغانستان - كابول7374طالبانالأفغانيةحركة طالبانأفغانستان
75الكشافة - الكشفي - الكشفية - المخيم - رسل السلام7275الكشافةالكشفيالكشفيةالمخيم
76العسل - النحل - الباحة - المهرجان - عسل7276العسلالنحلالباحةالمهرجان
77المسرحية - المسرحي - العرض المسرحي - مسرحية - المسرح7177المسرحيةالمسرحيالعرض المسرحيمسرحية
78تفجير - مسجد - قوات الطوارئ - عسير - صلاة الظهر6978تفجيرمسجدقوات الطوارئعسير
79حرس - حرس الحدود - البحث والإنقاذ - والإنقاذ - الحدود بالمنطقة6979حرسحرس الحدودالبحث والإنقاذوالإنقاذ
80الطائرة - لادن - الطيران - طائرة - تحطم6880الطائرةلادنالطيرانطائرة
81المطعم - مطعم - لندن - الطعام - الأطباق6681المطعممطعملندنالطعام
82الحج - حجاج الداخل - الحجاج - حجاج - وزارة الحج6582الحجحجاج الداخلالحجاجحجاج
83سيناء - زويد - المصرية - العريش - الشيخ زويد6483سيناءزويدالمصريةالعريش
84الوقود - الغاز - البنزين - الإمارات - أسعار الوقود6484الوقودالغازالبنزينالإمارات
85الجمارك - تهريب - جمرك - رجال الجمارك - مخبأة6385الجماركتهريبجمركرجال الجمارك
86المنتدى - المعارض - والمؤتمرات - المعرض - غرفة الشرقية6386المنتدىالمعارضوالمؤتمراتالمعرض
87الملا - طالبان - الملا عمر - الأفغانية - حركة طالبان6387الملاطالبانالملا عمرالأفغانية
88كورونا - وزارة الصحة - الحالة الأولى - رقم حالة - والتحكم6288كوروناوزارة الصحةالحالة الأولىرقم حالة
89الماليزية - الطائرة - الحطام - حطام - طائرة6189الماليزيةالطائرةالحطامحطام
90سوق العمل - الوظائف - التوظيف - الاستقدام - فرص العمل5590سوق العملالوظائفالتوظيفالاستقدام

</details>

Dataset

The dataset used in this project is saudinewsnet. It can be loaded using the following command:

python
from datasets import load_dataset
dataset = load_dataset("saudinewsnet")

For more information, visit the Hugging Face dataset page

Dataset Details:

Name: saudinewsnet

Description: This dataset contains news articles in Arabic from various domains, primarily focused on Saudi news.

Source: Hugging Face dataset page

Training hyperparameters

  • —calculate_probabilities: True
  • —language: None
  • —low_memory: False
  • —mintopicsize: 10
  • —ngramrange: (1, 1)
  • —nr_topics: None
  • —seedtopiclist: None
  • —topnwords: 10
  • —verbose: True
  • —zeroshotminsimilarity: 0.7
  • —zeroshottopiclist: None

Framework versions

  • —Numpy: 1.26.4
  • —HDBSCAN: 0.8.40
  • —UMAP: 0.5.7
  • —Pandas: 2.2.2
  • —Scikit-Learn: 1.2.2
  • —Sentence-transformers: 3.3.1
  • —Transformers: 4.47.0
  • —Numba: 0.60.0
  • —Plotly: 5.24.1
  • —Python: 3.10.12

Visualization: Displays topic distribution and document-level information

image