本文提出了一种基于词共现网络的模型 WNTM，通过模拟每个词的主题分布来解决短文本的稀疏性和不平衡性问题，并通过使用与 LDA 相同的 Gibbs 采样使得 WNTM 易于扩展到各种应用场景。对短文本和普通文本的广泛验证证明了 WNTM 相对于基线方法具有更好的性能，并且可以精确地发现微博等应用程序中新兴主题或意外事件。

Dec, 2014

本文针对社交媒体中讨论的各种话题，通过推文主题分类研究，提供两个相关数据集用于评估推文分类模型，并在语言模型上进行量化评估和分析。

Sep, 2022

本文介绍了用于构建层次化非参数贝叶斯模型的狄利克雷过程及其扩展 —— 皮特曼 - 约尔过程，提出了用于文本分析的潜变量模型。重点介绍了一种通用的贝叶斯模型设计框架，并提出了一种具体的非参数贝叶斯主题模型，用于对社交媒体上的推文进行建模。实证研究表明，我们的模型在适应度和现实应用中都优于现有的参数模型。

Sep, 2016

我们提出了 Transformer-Representation Neural Topic Model (TNTM)，它将基于变压器的嵌入空间中的主题表示优势与概率建模相结合，利用变分自编码器 (VAE) 框架提高推理速度和建模灵活性，实验结果表明，我们提出的模型在嵌入连贯性方面达到了各种最先进方法的结果，并且保持了几乎完美的主题多样性。

Mar, 2024

本研究应用贝叶斯方法通过观测 Twitter 上短消息的转发情况和本地网络结构的信息，预测了短消息的传播程度和转发总数，有效提前几分钟预测结果，对于理解社交网络中的广义思想、主题或趋势的传播有潜在的启示作用。

Apr, 2013

通过将社交网络影响视为用户感知的影响，开发了用于用户活动的概率模型，其中每个用户的活动根据一个具有隐藏状态的马尔可夫链发展，而该隐藏状态受用户朋友的集体活动影响。通过使用推特上用户活动的大量语料库验证所提出的模型，数值研究表明，在具有足够观察以确保准确模型学习的情况下，所提出的框架比基于更新过程的模型或传统的未耦合的隐藏马尔可夫模型更好地解释了观察到的数据，并展示了所提出方法在预测下一条推文的时间方面的效用。最后，该模型参数空间中的聚类显示出由用户和他的网络之间的互动动态特征化的不同自然群集。

May, 2013

本文提出了一种时态点过程模型，通过考虑用户历史推文序列和邻居推文来同时预测用户下一个推文的发布时间和立场标签，设计了一个主题驱动的注意机制来捕捉邻域上的动态话题转换，实验结果表明，该模型相对于其他具有竞争力的基线模型更准确地预测了未来推文的发布时间和立场标签。

May, 2020

本文提出了一种将作者、主题和文档结合起来的主题模型，该模型能更好地拟合和聚类研究出版物，同时提出了一种有效的推理算法，可以在 CiteSeerX 的子集中探索研究出版物。

Sep, 2016

本文提出了一种基于神经组态推断的动态聚焦主题模型，该模型能够跟踪主题的出现情况以及活跃度，并在各种任务中实现了比其他主题模型更好的泛化能力和类似的预测能力。

Jan, 2023

本文旨在通过将社交媒体功能纳入考虑范围，以提供一个灵活全面的框架，在交通强度和 Twitter 数据强度之间建立相关性，并将两个时间序列数据馈入我们的 Traffic-Twitter Transformer，为长期交通预测提供自然语言表示。实验结果表明，这种纳入 NLP 的社交感知框架能够成为交通机构网络广泛预测和管理的有价值的实现。

Jun, 2022