该研究开发了一种新的、能够实现概率混合共享潜在因素发现主题的算法，针对包含唯一新单词的共享潜在因素的主题模型，利用几何分析实现了高效计算和分布式数据挖掘应用。

Aug, 2015

本研究提出了一种新的方法来检测和可视化主题的趋势，其中使用 k-means 聚类和余弦相似性模型来确定主题的移动路径与方向，并在各种媒体机构的文章数据集上进行了测试。

Sep, 2022

本文提出使用 von Mises-Fisher 分布来建模单元球上的单词密度，以构建主题模型，并基于随机变分推理提出了一种高效的推断算法，实现了自然利用词嵌入的语义结构，同时能够灵活地发现主题数量。该方法在两个不同的文本语料库中拥有更好的主题连贯性并提供有效推理。

Apr, 2016

本文提出了一种基于二阶矩的无锚点主题挖掘框架，采用一次特征值分解和少量线性规划，只需较弱的条件即可确保识别主题，并在实践中表现出更好的鲁棒性。

Nov, 2016

本文提出了一种利用预训练单词嵌入进行文本聚类的新方法，同时整合文本信息进行加权聚类并重新排名前几个单词，旨在挖掘出文档集合中的主题，并对其性能进行基准测试并分析其在降维中的性能。实验表明，所提出的方法在降低时间和计算复杂度同时不输于传统的概率主题模型。

Apr, 2020

提出了一种基于分布式语义嵌入的主题建模方法 top2vec，不需要预定义的停用词表、词干提取或词形还原等预处理，能够自动确定主题数目，有效地提取语义信息并以主题向量的形式呈现。实验结果表明，top2vec 比传统的生成模型更加优秀。

Aug, 2020

本文提出一种生成主题嵌入模型，通过结合局部和全局单词共现模式，将局部和全局信息融合到主题表示中，从而在低维空间中表示文档，并在两个文档分类任务中表现优于八种现有方法，并且即使仅基于一个文档，也能生成连贯的主题。

Jun, 2016

提出了一种用于主题可视化的新方法，使用潜在变量模型自动提取大型文本语料库中的 term 分布，并利用与主题相关的重要短语来解释该分布。该方法使用基于任意长度表达式的语言模型，并提出了一种基于嵌套排列检验的新方法来查找重要短语。结果表明，该方法优于标准的卡方检验和似然比检验。应用在科学摘要和新闻文章的语料库上，演示了主题的呈现。

Jul, 2009

该综述分析了文本聚类和主题建模中无监督学习的初始化和异常值处理问题，提出了通用的术语定义，并总结了相关算法的理论背景。

Aug, 2022

使用文本数据和其他数据相结合的方式，提出了一种混合生成概率模型，通过神经网络和潜在话题模型相结合，对每篇文档进行话题分类，克服了潜在因素模型存在的问题，包括冷启动问题、不透明性和次优推荐问题。

Mar, 2022