1. 两次主题建模的可行性 #

完全可行，这种“粗粒度筛选+细粒度建模”的思路在文本主题挖掘中属于常用方案。

• 适用场景：当原始数据集主题跨度大，仅关注其中特定类别主题时，先用第一轮主题模型（比如基础版LDA）完成粗粒度主题划分，筛选出目标主题对应的文档子集；再针对该子集用更精细的主题模型（比如BERTopic、调参后的LDA）做二次建模，能得到更聚焦、更细分的主题结果。
• 注意事项：第一轮主题模型的主题数不宜设置过多，避免过度切割导致目标主题被拆分；同时要保证筛选后的文档样本量充足，若样本过少，二次建模的主题稳定性会受影响。

2. 两次聚类解决词义消歧覆盖不全的可行性 #

可行，这是一种无监督/半监督的词义消歧思路，能有效弥补知识库、有监督方法覆盖不足的问题。

• 具体做法：先基于多义词的上下文嵌入向量（比如用预训练语言模型生成的句子或上下文片段向量）做第一次聚类，把表达同一词义的上下文实例归为同一簇——比如多义词“bank”，第一次聚类会自动把涉及“金融机构”和“河岸”的上下文分成两个独立簇；之后针对每个簇再做二次聚类，可进一步细分该词义下的具体场景（比如“银行”簇再分成“零售银行”“投资银行”等子簇），也可以给每个簇手动标注对应的词义，完成消歧。
• 注意事项：第一次聚类的特征选择很关键，必须用包含上下文信息的向量，不能只用孤立的词向量；可以结合少量已标注的词义数据做半监督聚类，提升聚类结果的准确性；聚类后要通过轮廓系数、人工抽样验证等方式评估簇的合理性，确保不同词义确实被区分开。

内容的提问来源于stack exchange，提问作者Filipa Mota