HDBSCAN的min_samples和min_cluster_size参数应该怎样设置？

GooSeeker发布主题聚类功能为用户提供了Top2vec和BERTopic两个模型可以选择。可分别阅读两者的使用方法教程《top2vec话题发现原理和使用方法》和《怎样使用BERTopic做话题检测和主题聚类》

在教程的参数设置一段，我们建议保持缺省值不变。本文将讲解一下HDBSCAN模型的两个重要的可调整的参数：

1. 参数的作用

HDBSCAN是 Hierarchical Density-Based Spatial Clustering of Applications with Noise 的缩写。在主题聚类算法中是负责聚类这一步的，前一步是UMAP降维。

从上图可以看到，有两个重要参数可以调整，以便达到想要的聚类效果。

• min_cluster_size：一个簇至少要有多大（簇级别约束）
• min_samples：一个点要多“密”才算核心（点级别密度约束）

可见，min_samples 是 HDBSCAN 里“核心点判定”的严格度参数，主要作用是控制抗噪声能力和聚类保守程度。

下面我们重点从min_samples为主，min_cluster_size为辅的角度讲解一下他们的作用。

【注意】在实操建议那里，却是建议先设定min_cluster_size，再参照min_cluster_size的值设定min_samples的值。

2. min_samples取值大小都聚类的影响

因为min_samples决定一个簇是否是一个有意义的簇，适当设置可以排除掉噪音，同时保留有意义的文档簇

• 值越大：判断越严格，即，需要周围有更多属于同一簇的近邻点，才能决定出来“核心点”。

可见，如果设置比较大的值，结果通常是：

• 噪音点变多
• 小簇更容易被判成噪音
• 聚类更稳（跟准确贴切地反映聚簇的语义）、更保守

相反值越小：越宽松，就更容易把点纳入簇。结果通常是：

• 噪音点变少
• 簇更多、更细碎
• 更容易把稀疏区域也聚成簇（可能引入误聚）

3. min_samples和 min_cluster_size 配合

min_cluster_size提出了另一个要求：一个簇至少要有多大才会当成一个簇。

可见：

• min_cluster_size：约束“簇最小规模”
• min_samples：约束“点要多密才算核心点”（噪音敏感度）

两者配合设置，可以决定识别有意义聚簇的严格程度。例如

• min_cluster_size 大 + min_samples 也大：结果会很保守，离群点变多，小簇被吞掉。

执行BERTopic算法的时候，噪音文档的所属类别将赋值-1。

4. 实操建议

1. 先定 min_cluster_size（按你希望的最小主题规模）
2. 再设 min_samples 为它的 30%~70%（文本场景通常偏小更稳）
3. 观察类别赋值为-1的文档占比，再微调
1. 如果-1 太多：那么降 min_samples
2. 如果主题太碎：那么升 min_samples 或升 min_cluster_size

5. 常见经验

• 不确定该怎样设置时：先用缺省值，因为GooSeeker发布的BERTopic功能会根据导入的文档特点做自动适配。
• 想减少被判为-1的文档数量：适当调小 min_samples
• 想提高鲁棒性、减少伪簇：适当调大 min_samples