💬 NLP

TriTopic: Tri-Modal Graph-Based Topic Modeling with Iterative Refinement and Archetypes

TriTopic is een nieuw open-source framework voor onderwerpmodellering dat de beperkingen van bestaande methoden overwint door een tri-modale grafiek te combineren met iteratieve verfijning en archetypen, wat resulteert in superieure stabiliteit, precisie en prestaties op diverse datasets.

Oorspronkelijke auteurs: Roman Egger

Gepubliceerd 2026-02-24

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Roman Egger

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

🧠 Wat is TriTopic? De "Super-Organisator" voor tekst

Stel je voor dat je een enorme berg brieven, nieuwsartikelen en sociale media-berichten hebt. Je wilt weten waar mensen over praten, maar er zijn er miljoenen. Topic Modeling is de techniek die deze berg automatisch sorteert in thematische stapels (bijv. "Politiek", "Sport", "Technologie").

Tot nu toe hadden de beste methoden twee grote problemen:

Ze waren onbetrouwbaar: Als je de computer een dag later opnieuw liet draaien, kreeg je soms totaal andere stapels. Alsof je een legpuzzel elke keer anders zou leggen.
Ze waren te vaag: Moderne methoden gebruiken slimme AI die "betekenis" begrijpt, maar soms vergeten ze de specifieke woorden. Ze zien "auto" en "voertuig" als hetzelfde, maar missen soms het fijne verschil tussen "breakfast" (ontbijt) en "dinner" (avondeten) als beide positief zijn.

TriTopic is een nieuwe, slimme manier om deze tekst te sorteren. Het lost deze problemen op door drie verschillende "brillen" tegelijk te gebruiken.

🕶️ De Drie Brillen: Waarom één niet genoeg is

Stel je voor dat je een groep mensen wilt verdelen in teams.

Bril 1 (Betekenis): Je kijkt naar wat ze zeggen en hoe ze het bedoelen. (De moderne AI-kijk).
Bril 2 (Woorden): Je kijkt naar de exacte woorden die ze gebruiken. (De traditionele, precieze kijk).
Bril 3 (Context): Je kijkt naar wie ze zijn en wanneer ze het zeggen. (Bijv. een arts die over "kanker" praat is anders dan een patiënt).

De oude methoden gebruikten vaak maar één bril. TriTopic gebruikt alle drie tegelijk. Het combineert de slimme betekenis van AI met de scherpe precisie van woorden en de context van de schrijver.

🏗️ Hoe werkt het? (De Bouwtekening)

TriTopic bouwt een enorme, digitale "vriendenlijst" (een grafiek) van alle teksten. Hier zijn de drie geheimen van hun succes:

1. De "Dubbele Check" (Het Netwerk)

In plaats van te zeggen: "Deze twee teksten lijken op elkaar, dus ze horen bij elkaar," vraagt TriTopic: "Zien ze elkaar ook als vrienden?"

Het gebruikt een slimme truc: twee teksten horen pas bij dezelfde groep als ze elkaar als naaste buur zien. Dit filtert ruis eruit. Het is alsof je alleen vrienden toelaat in je club als ze elkaar ook echt kennen, niet alleen als ze toevallig op dezelfde plek staan.

2. De "Stabiliteits-Motor" (Consensus)

Dit is het belangrijkste nieuwe idee. Stel je voor dat je 100 keer een groep mensen in teams verdeelt. Soms is team A groot, soms klein.

TriTopic doet dit 100 keer en kijkt dan: "Welke mensen zaten altijd bij elkaar?"
Alleen de groepen die in bijna elke ronde hetzelfde waren, worden de definitieve teams. Hierdoor krijg je exact hetzelfde resultaat, elke keer dat je het doet. Geen willekeur meer!

3. De "Slijpsteen" (Iteratieve Verfijning)

Soms zitten er teksten in een groep die er net niet helemaal bij horen. TriTopic pakt die teksten en "trekt" ze zachtjes dichter naar het hart van de groep, tot ze perfect passen. Het maakt de groepen scherper en duidelijker.

🗺️ Nieuwe Kaart: Geen "Gemiddelde", maar "Uitersten"

Oude methoden zeggen: "Dit is het gemiddelde onderwerp."

Vergelijking: Als je een groep "Politiek" hebt, zeggen ze: "Het gemiddelde is 'midden'."

TriTopic zegt: "Nee, laten we kijken naar de uitersten (de Archetypes)."

Vergelijking: In plaats van het gemiddelde, toont TriTopic je het meest radicale voorbeeld en het meest gematigde voorbeeld van een onderwerp.
Zo zie je niet alleen dat er over "Politiek" wordt gesproken, maar zie je de hele spectrum: van de gematigde burger tot de radicale activist. Dit geeft veel meer inzicht in wat er echt gebeurt.

🏆 De Resultaten: Waarom is dit beter?

In tests met vier grote verzamelingen teksten (nieuws, forums, wetenschap) deed TriTopic het beter dan alle andere bekende methoden:

Geen verlies: Andere methoden (zoals BERTopic) gooien soms 20-30% van de teksten weg omdat ze "te moeilijk" zijn om te sorteren. TriTopic sorteert 100% van de teksten. Geen enkel bericht gaat verloren.
Precisie: Het maakt minder fouten bij het groeperen. Het herkent beter wat bij elkaar hoort.
Betrouwbaarheid: Als je het vandaag doet en morgen opnieuw, krijg je exact dezelfde indeling. Dit is cruciaal voor wetenschappers en bedrijven die geen willekeurige resultaten kunnen gebruiken.

🚀 Conclusie in één zin

TriTopic is als een super-organiserende bibliothecaris die niet alleen kijkt naar wat er op de kaft staat, maar ook naar de inhoud, de schrijver en de context, en die elke keer precies dezelfde, perfecte rangschikking maakt zonder een enkel boekje kwijt te raken.

Het is nu gratis beschikbaar voor iedereen om te gebruiken, zodat we beter kunnen begrijpen wat er in de wereld van tekst gebeurt.

Titel: TriTopic: Tri-Modale Graph-Based Topic Modeling met Iteratieve Verfijning en Archetypen

Auteur: Roman Egger (Smartvisions.at & Modul University Vienna)
Datum: Februari 2026

1. Het Probleem: Beperkingen van Bestaande Topic Modeling

Hoewel moderne topic modeling-methoden zoals BERTopic succesvol gebruikmaken van semantische embeddings om context te vangen, lijden ze onder fundamentele tekortkomingen die hun toepassing in kritieke domeinen beperken:

"Embedding Blur" (Vervaging): Door complexe zinnen te comprimeren tot dichte vectoren (bijv. via BERT), gaan specifieke lexische nuances verloren. Semantisch vergelijkbare maar pragmatisch verschillende concepten (bijv. "ontbijt" vs. "diner" in hotelbeoordelingen) worden onterecht in dezelfde cluster gegroepeerd.
Stabiliteitsdilemma: Stochastische clustering-algoritmen (zoals HDBSCAN of k-Means) zijn gevoelig voor initiële waarden en willekeurige zaden. Dit leidt tot lage reproduceerbaarheid; kleine wijzigingen in de random seed kunnen drastisch verschillende topic-structuren opleveren, wat de validiteit voor wetenschappelijk onderzoek ondermijnt.
Data-uitval: Dichtheidsgebaseerde methoden behandelen moeilijk te classificeren documenten als "ruis" en verwijderen ze (outliers). BERTopic verwijdert bijvoorbeeld tot 28% van de documenten, wat in domeinen zoals juridische analyse of medische dossiers methodologisch onaanvaardbaar is.
Enkelvoudig perspectief: Bestaande modellen vertrouwen vaak op één data-perspectief (alleen embeddings of alleen woordfrequenties), waardoor ze niet optimaal kunnen profiteren van zowel semantische diepte als lexische precisie.

2. Methodologie: De TriTopic Architectuur

TriTopic introduceert een nieuw raamwerk dat een tri-modale graaf bouwt die semantische, lexische en metadata-informatie fuseert. De pipeline bestaat uit zes fasen:

A. Tri-Modale Representatie en Fusie

Voor elk document worden drie vectorruimtes geconstrueerd:

Semantische Ruimte ( $V_{sem}$ ): Dichte vectoren via Sentence-Transformers (bijv. all-MiniLM-L6-v2) voor contextuele synoniemen.
Lexicale Ruimte ( $V_{lex}$ ): Sparse TF-IDF vectoren (met sublineaire frequentiedemping) om "harde tokens" en technische terminologie te behouden en de "Embedding Blur" tegen te gaan.
Metadata Ruimte ( $V_{meta}$ ): Categorieën zoals auteurs, tijdstippen of bronnen, gecodeerd via One-Hot of Entity Embeddings.

In plaats van vectoren te concateneren (wat de "Curse of Dimensionality" verergert), worden aparte similariteitsmatrices berekend en gefuseerd tot een gewogen lineaire combinatie:
$S_{final} = \alpha \cdot S_{sem} + \beta \cdot S_{lex} + \gamma \cdot S_{meta}$

B. Robuuste Graafconstructie

Om ruis en "Hubness"-problemen (waarbij bepaalde knopen onterecht veel verbindingen hebben) te elimineren:

Mutual kNN (MkNN): Alleen documenten die elkaars $k$ -dichtste buren zijn, krijgen een verbinding. Dit fungeert als een strikt filter dat tot 60% van de zwakke randen verwijdert.
Shared Nearest Neighbors (SNN): Randgewichten worden bepaald door de grootte van de intersectie van de buurlijsten, wat de connectiviteit baseert op lokale dichtheid in plaats van alleen Euclidische afstand.

C. Consensus Leiden Clustering

Om stabiliteit te garanderen, wordt de Leiden-algoritme (die gegarandeerd verbonden gemeenschappen oplevert) $m$ keer onafhankelijk uitgevoerd.

Er wordt een Co-Assignment Matrix ( $C$ ) gebouwd die de empirische waarschijnlijkheid weergeeft dat twee documenten in dezelfde cluster vallen.
Een hiërarchische clustering op deze matrix levert een Consensus Partition op, wat de stochastische variatie elimineert en een stabiele, reproduceerbare uitkomst garandeert.

D. Iteratieve Verfijning (Self-Learning)

Een zelflerende lus "harde" de clusters:

Centroiden worden berekend per cluster.
Documenten worden naar hun cluster-centroid getrokken ("Centroid Pulling"), waarbij de sterkte van de trek afhankelijk is van de afstand (verre documenten worden sterker getrokken).
De graaf wordt herbouwd met de bijgewekte vectoren en het clustering-proces herhaald tot convergentie. Dit verhoogt de intra-cluster coherentie en inter-cluster scheiding.

E. Archetype Analyse

In plaats van een topic te definiëren door een "gemiddeld" document, benadert TriTopic de Convex Hull van een cluster. Met het Furthest Sum-algoritme worden de "Archetypen" geïdentificeerd: de extreme randgevallen die de semantische grenzen van een topic definiëren (bijv. het onderscheid tussen "fiscaal beleid" en "sociaal beleid" binnen een politiek topic).

3. Belangrijkste Bijdragen

Methodologische Robuustheid: Oplossing van het stabiliteitsprobleem via Consensus Clustering, wat topic modeling transformeert van een stochastische schatting naar een bijna-deterministisch proces.
Holistische Representatie: Fusie van Semantiek, Lexica en Metadata in een Heterogene Informatie Netwerk (HIN) om zowel context als terminologische precisie te behouden.
Complette Dekking: Geen data-uitval; TriTopic berekent topics voor 100% van het corpus, in tegenstelling tot methoden die ruis verwijderen.
Kwalitatieve Interpretatie: Introductie van Archetypen in plaats van alleen centroiden, wat een nuancierter begrip van de spreiding binnen een topic mogelijk maakt.

4. Resultaten en Evaluatie

TriTopic werd getest op vier standaard datasets (20 Newsgroups, BBC News, AG News, Arxiv) en vergeleken met BERTopic, NMF en LDA.

Prestatie (NMI): TriTopic behaalde de hoogste Normalized Mutual Information (NMI) op alle vier de datasets.
- Gemiddelde NMI: 0.575 (TriTopic) vs. 0.510 (BERTopic), 0.416 (NMF) en 0.300 (LDA).
- Het verschil was het grootst op de AG News dataset (+37,3% ten opzichte van BERTopic).
Stabiliteit: De standaardafwijking van de NMI over verschillende random zaden was extreem laag voor TriTopic ( $\sigma = 0.007$ ), vergelijkbaar met deterministische methoden zoals NMF en aanzienlijk beter dan BERTopic ( $\sigma = 0.026$ ).
Dekking: TriTopic behaalde 100% dekking (geen outliers), terwijl BERTopic gemiddeld 18,8% van de documenten verwierp (tot 27,8% op AG News).
Coherentie: TriTopic behaalde de hoogste coherentie (NPMI) op twee van de vier datasets en een sterke tweede plaats op de andere, wat aantoont dat het de balans tussen semantische diepte en lexische scherpte goed vindt.

5. Betekenis en Conclusie

TriTopic markeert een "Derde Golf" in topic modeling: Graph-Based Multi-View Modeling.

Wetenschappelijke Validiteit: Door de reproduceerbaarheid te garanderen, maakt het topic modeling betrouwbaar voor longitudinale studies en kritieke toepassingen waar willekeurige variatie niet acceptabel is.
Filosofie van Ruis: In plaats van ruis te verwijderen (wat survivorship bias creëert), integreert TriTopic de ruis door de graaf te verfijnen, waardoor elk document een betekenisvolle toewijzing krijgt.
Synergie met LLM's: De output van TriTopic (stabiele clusters en representatieve archetypen) fungeert als een ideale "prompt context" voor Large Language Models, waardoor een hybride "Neuro-Symbolische" aanpak mogelijk wordt.

Hoewel TriTopic iets langzamer is dan BERTopic (door de consensus- en iteratie-stappen), biedt het een superieure balans tussen kwaliteit, stabiliteit en volledigheid. De bibliotheek is open-source beschikbaar op PyPI, wat de adoptie in wetenschappelijke workflows faciliteert.