编程实现对新闻数据的概率潜在语义分析的生成模型或共现模型，并输出不同的话题数下各个话题的高频词。

好的，我可以给您提供一个Python的实现示例，使用gensim库实现对新闻数据的概率潜在语义分析的生成模型，并输出不同话题数下的主题词。

首先，我们需要安装gensim库：

pip install gensim

然后，我们可以按照以下步骤实现：

1. 数据预处理：假设我们已经爬取了100条新闻，保存在news.txt文件中，我们可以使用以下代码进行数据预处理：

import re
from gensim.parsing.preprocessing import remove_stopwords
from gensim.parsing.preprocessing import strip_punctuation

def preprocess_data(file):
    with open(file, 'r', encoding='utf-8') as f:
        data = f.readlines()
    data = [re.sub(r'[^\w\s]', '', line.strip().lower()) for line in data] # 去除标点符号
    data = [remove_stopwords(line) for line in data] # 去除停用词
    data = [strip_punctuation(line) for line in data] # 去除标点符号
    data = [line.split() for line in data] # 分词
    return data

# 对新闻数据进行预处理
data = preprocess_data('news.txt')

2. 构建共现矩阵：使用gensim库中的CoherenceModel类，我们可以方便地构建共现矩阵，并将其转化为稀疏矩阵格式。以下代码实现了构建共现矩阵的过程：

from gensim import corpora, models

# 构建词典
dictionary = corpora.Dictionary(data)

# 构建共现矩阵
corpus = [dictionary.doc2bow(text) for text in data]
co_occurrence = models.CoherenceModel(corpus=corpus, dictionary=dictionary, coherence='u_mass')

# 将共现矩阵转化为稀疏矩阵格式
co_occurrence_matrix = co_occurrence.get_coherence()

3. 潜在语义分析：使用gensim库中的LsiModel类，我们可以方便地进行潜在语义分析，并获取每个主题下词语的权重。以下代码实现了潜在语义分析的过程：

# 进行潜在语义分析
lsi_model = models.LsiModel(corpus=corpus, id2word=dictionary, num_topics=10)

# 获取每个主题下的词语权重
topics = lsi_model.show_topics(num_topics=10, num_words=10, formatted=False)

4. 输出结果：根据不同的话题数，输出各个话题的高频词。以下代码实现了输出结果的过程：

# 输出不同话题数下的主题词
for i in range(1, 11):
    lsi_model = models.LsiModel(corpus=corpus, id2word=dictionary, num_topics=i)
    topics = lsi_model.show_topics(num_topics=i, num_words=10, formatted=False)
    print(f"\n{i} topics:")
    for topic in topics:
        print(f"{' + '.join([f'{w[0]}*{w[1]:.2f}' for w in topic[1]])}")

这样，我们就完成了对新闻数据的概率潜在语义分析的生成模型，并输出不同话题数下的主题词。