据我所知，没有正确/标准的方法来应用主题建模，大多数决定取决于案例的具体情况。所以下面我只是对这些观点发表我的看法：

1. 在清理数据（删除提及、停用词、奇怪字符、数字等）之前，我已经删除了所有重复的实例（所有三列共有），以避免它们影响主题建模的结果。这是正确的吗？
2. 出于前面提到的同样原因，我是否应该也删除所有转推？

一般来说，对数据进行重复数据删除没有严格的要求，是否执行将取决于目标。重复文档会影响这些文档中出现的单词的比例，进而影响这些文档被分配到的主题的概率。如果您希望模型整合推文/单词/主题的流行度/突出度的概念，那么不去重和保留转发可能是有意义的。但是，如果有大量重复/转发，则不平衡可能会导致不那么频繁的推文/单词不那么明显，可能导致主题的多样性减少（例如，最小的主题可能会合并在一起）。

3. 到目前为止，我一直在考虑使用“每个文档每个主题”的概率进行分类。如果我摆脱了这么多实例，我是否必须根据“每个单词每个主题”的概率对它们进行分类？

我不确定这个包中所谓的“每个文档每个主题”的概率。使用 LDA 对文档进行聚类的典型方法是使用给定文档的主题的后验概率（这可能是同一件事，我不确定）：对于任何文档$d$，该模型可以提供每个主题的条件概率$t$给定$d$. 跨主题的此值的总和为 1（这是主题的分布$d$)，并且出于分类目的，可以只选择给定概率最高的主题$d$.

4. 我是否必须将数据集划分为测试和训练？我认为这只是在监督训练中的事情，因为我不能真正使用测试数据集来衡量分类的质量。

你是对的，你不需要分成训练集和测试集，因为这是无监督学习。

5. 另一个目标是根据 Twitter 用户最热衷的话题对他们进行分类。您对如何实现这一点有任何想法吗？

该模型为您提供每条推文主题的后验概率分布。根据这些值，我认为您可以通过边缘化这位作者的推文，为每个推特用户获得类似的主题分布$a$: 如果我没记错的话，这个概率$p(t|a)$可以简单地通过计算平均值得到$p(t|d)$在所有文件/推文中$d$作者$a$.