UMAP的n_neighbors参数有什么作用？

UMAP是Uniform Manifold Approximation and Projection的缩写，是一种基于黎曼几何和代数拓扑理论的非线性降维算法。

《怎样使用BERTopic做话题检测和主题聚类》建议在没有搞清楚这些参数的意义的时候，使用GooSeeker分词扩展模块界面上设定的缺省值。本文尝试对n_neighbors这个参数做一个简明的讲解。对各参数的解释详见UMAP的官网。

1. 参数的作用

n_neighbors 控制 UMAP 在构图时“每个点看多少近邻”，本质上决定你更偏向保留局部结构还是全局结构。

2. 取值大小的影响

值小（如 5~15）：

• 更关注局部邻域
• 更容易出现很多紧密小团
• 对噪声更敏感、结果更碎

值大（如 30~100）：

• 更关注全局拓扑
• 团块更平滑、更大
• 小簇可能被抹平

在 BERTopic 场景里的影响：

• n_neighbors 小：主题更细，但文档所属类别赋值为-1的噪音文档（离群点）可能更多
• n_neighbors 大：主题更粗，簇更稳定，但可能丢失细粒度主题

3. 推荐取值

• 小中型语料：n_neighbors=10~20（常见默认 15）
• 希望更细主题：降到 5~10
• 希望更稳定、更少碎簇：升到 30~50

4. 直观效果

以下图来自UMAP的官网

5. 和 HDBSCAN 联动调参

1. 先固定 min_cluster_size/min_samples
2. 只改 n_neighbors 看主题数和 -1 占比
3. 如果主题过碎：增大 n_neighbors
4. 如果主题过粗：减小 n_neighbors

6. 与HDBSCAN联动调参的更多解释

6.1 分管不同流程阶段

因为它们作用在不同阶段，管的是不同问题，不是重复参数。

• UMAP n_neighbors：先把高维语义向量“重排”为更适合聚类的低维空间，决定局部/全局结构保留方式。
• HDBSCAN min_cluster_size/min_samples：在这个低维空间里再做密度聚类，决定什么算簇、什么算噪声。

所以流程是：

1. UMAP 先“造地形”
2. HDBSCAN 再“按地形划分山头”

6.2 两者都需要

如果只有后者没有前者，会发生什么：

• 文本嵌入维度高、密度不均，直接或用不合适的降维结果做密度聚类，簇边界会很不稳定。
• 即便 min_cluster_size/min_samples 固定，换一个 n_neighbors，地形就变了，簇结果也会明显变化。

直观例子：

• n_neighbors 小：地形更强调局部细节，容易形成更多小山头。
• n_neighbors 大：地形更平滑，山头更少更大。
• 然后 min_cluster_size/min_samples 只是在这张地形图上决定哪些山头保留。

6.3 结论：

• min_cluster_size/min_samples 决定“判定规则”
• n_neighbors 决定“被判定的数据形态”

两者缺一不可，且必须联动调。