我有一组评论，每条评论讨论一个主题。我想找出这些评论中讨论最多的前m个主题。另外，这些评论是以在线方式接收的（即我不是一次性收到所有评论，而是需要逐条处理这些评论）。我考虑使用Word2Vec进行特征提取，然后应用某种聚类算法，如k-means（聚类将对应一个主题），然后我可以从前m个聚类中（这些聚类包含最多的点）得到答案。但问题是我不知道聚类的数量，而且在任何时间点，不同的主题（聚类）数量都不是固定的，因为一条新评论可能会讨论一个新主题（所以，这个问题不能通过应用不同k值的k-means来解决）。那么，我应该使用其他聚类算法（如DBSCAN）吗？在这种情况下应该采取什么方法？还是应该使用完全不同的方法？

回答：

你为什么不尝试一下简单的LDA，从一个大的主题数量开始，然后逐步缩小范围呢？ https://radimrehurek.com/gensim/models/ldamodel.html

在这个思路上，你可以看看sense2vec，他们使用Reddit评论来构建主题模型 https://explosion.ai/blog/sense2vec-with-spacy