SCStory 是一个在线故事发现的框架，通过自我监督和持续学习的方法，使用文章的句子和文章表征，识别与故事相关的信息并发现故事，能够适应快速变化的新闻文章流。

Nov, 2023

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

本研究基于一类聚类的方法，通过针对新闻报道数据提取兼容事件的查询系统，根据添加事件的顺序逐步评估每个事件的兼容性，使用合成数据进行模型训练，在新的人为筛选数据集上实现了较高表现且优于现有基准，相信更强大的神经网络模型和更严格的训练设置将有助于促进后续研究。

Sep, 2019

本文介绍了一种基于上下文树的新闻推荐系统，能够根据用户的浏览行为为匿名访客提供高质量、准确、新颖的新闻推荐。该系统能够很好地捕捉新闻文章的独特性质，并提供良好的预测准确性。

Mar, 2013

我们提出了一个检索增强故事生成框架（GROVE），通过使用来自人类写作故事的信息，帮助生成复杂且可信的情节。通过构建目标条件的检索存储库来产生少样例，并设计了一个 “为什么” 提示方案，提供对生成的故事中可能出现的模糊之处的补偿，从而提升叙事的复杂性和可信度。

Oct, 2023

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

该研究提出一种基于多语言文档流聚类的方法，可用于实时新闻监测和处理，并在德语、英语和西班牙语数据集上实现了最优结果。

Sep, 2018

本论文提出了一种优化框架，设计用于平衡文章和评论摘要之间的主题连贯性以及其信息性和事件覆盖面。在真实数据集上自动评估表明，与现有系统相比，我们的系统生成的时间线更具信息性。在人类评估中，相关评论摘要更被认为具有洞察力。

Jun, 2016

本文提出了一种基于社交媒体流的实时事件跟踪方法，包括事件检测、演化模式追踪、以及通过核心帖子绘制草图图形和词云展示等，能够有效处理大量噪声数据。

Nov, 2013

本文提出一种使用 Wikidata 知识库的方法来产生新闻文章的语义注释，并描述了一种语义搜索引擎，支持基于关键词的搜索和结构化数据搜索。

Apr, 2019