我阅读了这个问题 (Coherence score 0.4 is good or bad?)，发现一致性得分 (u_mass) 是从 -14 到 14。但是当我进行实验时，我的 u_mass 得分为 -18，c_v 得分为 0.67。我想知道我的 u_mass 分数如何超出范围 (-14, 14)？
更新：我使用了gensim库，扫描了从2到50的主题数。对于u_mass，它从0开始到最低的负点，然后稍微往回走，就像c_v的颠倒版本。
【问题讨论】：
标签： nlp lda topic-modeling lsa topicmodels
我参考了两个来源并发现了相似之处，并且可能会清除我的疑问： https://www.os3.nl/_media/2017-2018/courses/rp2/p76_report.pdf
https://amp.reddit.com/r/learnmachinelearning/comments/9bcr77/coherence_score_u_mass/
我相信对于u_mass，图相对于c_v会有一个倒置的趋势倒置，最低的负点是最好的。当然，如果你使用 gensim。
【讨论】：
...查看图像） .这是你一开始的意思，打扰了。
根据original paper中提供的u_mass连贯性分数的数学公式。
如果 u_mass 接近 0 值意味着完美的连贯性，并且它在值 0 的任一侧波动，取决于所选主题的数量和用于执行主题聚类的数据类型。判断 u_mass 的最佳方法是绘制 u_mass 与不同 K（主题数）值之间的曲线。选择 u_mass 接近 0 的 K。
你可以参考这个link，它提供了python代码sn-p来绘制不同K和c_v值之间的曲线。在这里，您可以将 c_v 替换为 u_mass 一致性指标。
我希望这个解释会有所帮助。
【讨论】：
按照here (pg 13-14) 的说明，这是@Dammio 在他的回答中提到的同一份文件，解释是相反的。在文本中，它说：“根据 UMASS 相干性测量，当 K 增加时，全球主题的相干性会降低。” K 是主题的数量。他们继续说：“为了分析，我们比较模型 K = 6 进行 40 次迭代（局部最小值）和 10 次迭代 哪个表现更好。”在图中，可以清楚地看到它比较了更差的局部最小值和更连贯的局部最大值。这与接受的答案中所说的完全相反。此外，我发现在 Github 帖子中说的完全一样：值越高越好：Link to Github answer
【讨论】：