为何Gensim中U_mass一致性分数随主题数量增加而下降？

• 工具实现细节的差异
  Gensim和STM对U_mass的计算逻辑并非完全和理论公式严丝合缝，比如Gensim统计词共现的窗口范围、文档计数方式，或是STM在主题概率分配时的归一化规则，都可能和标准公式有细微偏差，导致分数走向和预期不符。

• 主题过多导致词共现被稀释
  当主题数量猛增时，原本在少数主题里高频共现的词会被拆分到更多主题中，每个主题内的词对共现频率大幅降低。U_mass是基于词对共现概率的对数计算的，共现频率越低，分数会变得更负（也就是下降），这时候理论上的趋近0趋势就被实际的词分布稀释效应盖过了。

• 数据集适配性问题
  如果你的数据集本身语义集中度高，适合的主题数量有限，硬加主题的话，模型会生成一堆“凑数”的伪主题——这些主题里的词零散、共现性极差，直接拉低了整体的U_mass分数，自然和理论趋势背道而驰。

• 参数设置不合理
  比如Gensim里计算一致性时的window_size参数，或是STM建模时的迭代次数、先验参数，要是设置得不对，会让主题质量随数量增加快速下滑，进而导致U_mass分数反向降低。

内容的提问来源于stack exchange，提问作者JJ_Yu