解读

面试官问“怎么用BERTopic抓热点”，并不是想听你把官方文档背一遍，而是考察三件事：

1. 你是否把算法放在真实业务闭环里，而不是“跑个模型就完事”；
2. 你是否懂中文社区内容的特点（黑话、谐音、缩写、 emoji、平台差异）；
3. 你能否把话题结果翻译成运营动作（选品、Push、活动、社群话术）。
   因此，回答要体现“数据→洞察→策略→验证”的完整链路，并给出可落地的中文优化细节。

知识点

1. BERTopic 核心流程：Sentence-BERT 中文向量→UMAP 降维→HDBSCAN 聚类→c-TF-IDF 提取关键词→主题降维合并。
2. 中文必须自己训向量：直接调用 paraphrase-multilingual-MiniLM-L12-v2 会漏掉“YYDS、绝绝子、家人们”这类高频黑话，建议用社区语料微调 SimCSE。
3. 数据层去噪：删除官方账号、抽奖转发、纯表情帖，用正则+抖音/小红书官方敏感词库二次清洗，否则“抽奖”“私信”会霸占主题。
4. 参数调优：UMAP 的 n_neighbors 控制在 1530，既防止“碎片化”又避免“大杂烩”；HDBSCAN 的 min_cluster_size 用肘部法则+业务可解释性双重验证，一般 50100 条帖子一个主题。
5. 话题热度公式：热度 = 集群帖子量 × 近 7 天环比增速 × 互动率（赞+评+转/曝光），用分位标准化后取 Top10 入“热点候选池”。
6. 运营闭环：把话题映射到 SKU 或内容标签，再用A/B Push 实验验证召回率与转化率，最终沉淀为“热点库”供选品、社群、直播脚本复用。

答案

“我在上一家公司用 BERTopic 监控小红书 3C 数码笔记，完整流程分五步：
第一步，数据抓取与清洗：用官方开放平台 API 拉取近 30 天帖子，过滤品牌号、广告标、重复图文，得到 42 万条有效笔记；
第二步，中文向量微调：把 1 亿条内部社群语料喂给 SimCSE，训练出 768 维向量，使“绝绝子”“真香警告”等黑话在同一簇内距离小于 0.15；
第三步，主题聚类与可视化：UMAP 降到 5 维，HDBSCAN 的 min_cluster_size 设 80，跑出 186 个主题，用 c-TF-IDF 提取关键词后人工合并为 23 个可解释话题，例如“iPhone 15 钛原色翻车”“华为 Mate60 隔空手势”；
第四步，热度计算与预警：用‘集群帖子量×环比增速×互动率’打分，每天 8:30 自动推送 Top5 热点到飞书群，运营同学 1 小时内决定是否追热点；
第五步，策略落地与复盘：针对‘iPhone 15 钛原色翻车’话题，我们 4 小时内上线‘真机实测+避坑指南’直播，拉动当日 GMV 提升 38%，并把高转化话术沉淀为‘热点脚本库’。
整个流程跑通后，热点捕捉从 2 天缩短到 4 小时，热点内容转化率提升 42%，季度复购率增加 7 个百分点。”

拓展思考

1. 多模态融合：下一步把笔记图片用 Chinese-CLIP 向量化，与文本向量拼接，能抓住“图片同款不同价”这类视觉热点，避免文本漏检。
2. 实时增量更新：用 River 在线聚类替代离线 HDBSCAN，实现“帖子发布 5 分钟内即入簇”，把预警提前到“苗头期”。
3. 负向话题过滤：建立“负向词典+情感模型”，对质量投诉、安全隐患类话题自动打标，防止运营蹭热点翻车。
4. 跨平台对齐：把抖音、微博、小红书同一话题做 ID 映射，用时间滞后相关性判断“抖音火完 48 小时能否在小红书再火一次”，指导多平台内容排期。