一种从众包应用中发现新产品开发潜在思路的框架
本研究旨在研究机器驱动的分析技术来生成创意，并基于文献综述得出了一些有效技术，如文本挖掘、信息检索、深度学习、机器学习、统计技术、自然语言处理和基于 NLP 的形态分析。同时，也提出了用于进一步研究的建议。
Jan, 2022
本文研究如何使用数据挖掘、自然语言处理技术和本体论来提取产品方面和用户意见，并使用频繁（标记）集，讨论了提出的框架能够提取评论中所有可能的方面和意见，并通过相似性分组代表性方面，并生成输出摘要。该框架与现有基线模型相比，得到了有希望的结果。
Apr, 2014
本研究提出了一种方法，对社交媒体进行灵活的支持，特别是在紧急情况下的社交媒体分析，基于自动化数据处理的工具可用于筛选、分类和地理位置标记内容，同时杂交方法支持人工数据分析师的反馈和建议，从民众中收集输入。通过 Euroopean 项目中的三个案例研究进行结果验证。
Aug, 2022
本研究提出了一种新的推荐系统体系结构，采用信息检索技术和社交趋势，通过意见挖掘来改进基线方法在无法收集用户点击数据或因隐私问题无法收集数据时提供的推荐，把多种信息源整合起来生成有前途的输出。
May, 2022
使用数据驱动技术和机器学习技术进行人机交互以生成创新点已成为一个相对较新的领域，在这个领域中，比赛驱动和数据驱动的方法也可用于激发创新和评估。 本文提出了一系列用于生成创新点的技术，包括一些相应的数据源和模型，以及两个模型，一个方法和一个框架。这些成果将受益于来自数据和知识工程，数据挖掘项目经理以及激励器，竞赛组织者，顾问，创新加速器和行业等的专业人员。
May, 2022
社交媒体时代为企业开启了新的机遇，但其中的文本数据分析则面临着诸多挑战。本研究针对嘈杂、大数据背景下的无监督主题提取问题，提出了三种基于变分自编码器框架的方法，并在实际使用案例中对这些方法进行了测试，证明了它们相较于现有方法在主题建模领域能够取得同等或更好的性能，并指出主题建模领域需要改进评估指标。
Jul, 2023
本文从数据、模型、学习三个维度，全面回顾了 13 年来 AI 社区在众包学习领域的进展，着重提出了每个维度的一些有前途的蓝图，并探讨了过去研究的经验教训，旨在为新研究者提供指引，鼓励他们做出新的贡献。
Jun, 2022
本文提出并比较了几种基于文本的方法（如 SVM、递归神经网络和 ensemble）来描述社会创新项目。同时，我们针对主题建模提出了一种新的用于自动评估摘要的度量标准。
May, 2019
本文针对众包在线决策的理论研究和建模问题进行了反思和讨论，并提出了相关算法来优化众包市场的各个方面，涉及众包、人工计算、算法、定价等关键词。
Aug, 2013