本研究旨在使用基于概率主题模型的层次狄利克雷过程（HDP）方法进行社交媒体平台上的子事件检测，并对其性能与基于局部敏感哈希和谱聚类的现有方法进行比较，结果表明 HDP 具有更高的召回率和更高的精度。此外，研究还显示，在 Twitter 数据集上，会话结构也可以用于显著提高子事件检测的性能。

Jun, 2016

通过使用序列到序列的神经翻译模型的低维语义表示能力，该论文尝试解决自动多语种新闻监测中出现的两个问题：将电视和广播节目 ASR 转录分割成单个故事，对来自各种来源和语言的单个故事进行故事线聚类。为了实现多语种神经翻译的联合多任务学习，论文使用滑动窗口机制替换注意力机制，并在字符级别而非单词级别上操作序列到序列的神经翻译模型处理分割和聚类问题。通过检查作为神经翻译过程副产品产生的低维向量，解决分割故事和故事线聚类问题的方法值得进一步研究。

Apr, 2016

本文提出了嵌套的中餐馆过程 (nCRP)，它将概率分布分配给无限深度、无限分支的树。将该随机过程用作文献集合的贝叶斯非参数模型的先验分布，并演示了其在信息检索中的应用，其中文档被建模为沿随机树的路径，nCRP 的优先附着动力学根据多个抽象级别上的主题共享将文档聚类。给定一组文档，后验推断算法找到一个关于树、主题和单词分配到树的级别的后验分布的近似值，本文在几个期刊的科学文摘集合上演示了此算法。

Oct, 2007

本文针对用户生成的社交媒体数据不断变化，现有自然语言处理系统无法适应且需要大量重新训练的问题，提出了一种基于非参数分类器的简单有效的时间适应方法，并通过预测长期 Hashtag 变化的任务进行了实验。结果表明，非参数分类器的分类效果相比最佳参数基线提高了 64.12％，而且被动删除用户数据时也表现出极高的性能。

Sep, 2022

本文主要针对通过两种方法 —— 获取常见事件因果关系的知识库和理解特定故事或宏事件，通过知识获取方法研究以认识第一人称叙述和电影场景描述等叙事类型中的事件之间因果关系。实验结果表明我们的方法可以学习细粒度的因果关系。

Aug, 2017

本文提出了一种半自动化工具来有效地在 Twitter 上辨识和追踪真实世界事件的故事，并通过 25 名参与者的用户研究证明我们的工具相对于传统方法可以提高追踪真实世界事件故事的速度和准确性。

May, 2016

该研究提出了一种基于主题嵌入、动态嵌入和自适应聚类的框架 USTORY 实现了无监督在线故事发现，并在真实新闻数据集上进行了全面评估，结果表明 USTORY 的性能比基线更高，并且具有鲁棒性和可扩展性。

Apr, 2023

本论文提出并解决了通过两种文本生成范例 —— 统计机器翻译和深度学习，生成连贯故事的任务。使用两种 SMT 方法和一个深度 RNN 架构，将可变长度的输入描述编码为对应的潜在表示，并解码以生成形式完备的故事总结。在一个公开数据集上，利用常见的机器翻译和总结评估方法证明了所建议方法的有效性。

Jul, 2017

本研究提出了一种系统的叙述性发现框架，通过改变点检测、语义角色标注（SRL）和叙事片段的自动聚合来解决大规模文本下叙述性的提取，并在两个 Twitter 语料库中评估了我们的模型，结果表明我们的方法可以恢复相应于重大事件的主要叙述转变。

Jul, 2023

本研究旨在提出两种基于中华餐厅过程 (CRP) 先验概率和分层结构的全新无监督模型，以更好地处理众包数据标注中用户注释的质量问题，并利用 Gibbs 采样的高效推理算法对其进行实验验证。

Jul, 2014