基于Kmeans算法的话题检测关键代码

以下是基于Kmeans算法的话题检测的Python代码示例：

import numpy as np
from sklearn.cluster import KMeans
from sklearn.feature_extraction.text import TfidfVectorizer

def topic_detection(documents, num_topics):
    # 将文本转换为TF-IDF特征矩阵
    vectorizer = TfidfVectorizer(stop_words='english')
    X = vectorizer.fit_transform(documents)

    # 聚类
    kmeans = KMeans(n_clusters=num_topics, init='k-means++', max_iter=100, n_init=1)
    kmeans.fit(X)

    # 获取每个文档所属的类别
    labels = kmeans.labels_

    # 获取每个类别的关键词
    order_centroids = kmeans.cluster_centers_.argsort()[:, ::-1]
    terms = vectorizer.get_feature_names()
    keywords = []
    for i in range(num_topics):
        topic_keywords = [terms[ind] for ind in order_centroids[i, :10]]
        keywords.append(topic_keywords)

    return labels, keywords

其中，`documents`是一个包含多个文档的列表，`num_topics`是指定的话题数量。函数返回每个文档所属的话题标签和每个话题的关键词列表。