通过比较 LDA 和社区检测算法的优缺点，该研究提出一种用于主题发现的新算法，可在英文维基百科大规模文章中展现层次结构，提高文本分析系统的可靠性。

Feb, 2014

研究通过使用 LDADE 方法，对潜在狄利克雷分配进行参数调整，以降低其对话题稳定性的影响，并通过研究 LDA 所引起的序列效应或话题稳定性问题，得出了结果表明使用 LDADE 的结果，其性能更佳，同时使用标准 LDA 的话题不稳定性应该被淘汰。

Aug, 2016

本研究探讨了在短的多领域文本中如何运用 BERTopic 算法进行主题建模，并发现与 Latent Dirichlet Allocation 相比，BERTopic 在主题连贯性和多样性方面的表现更好。我们进一步分析了 BERTopic 所使用的 HDBSCAN 聚类算法的性能，并发现其将大多数文档分类为异常值。在使用 k-Means 替换 HDBSCAN 后，我们取得了类似的性能表现，但不再出现异常值。

Dec, 2022

采用随机块模型方法，针对主题建模中存在的问题，提出了一种更具通用性和原则性的框架，该框架能够自动检测主题数和分级群集单词和文档，从而比 LDA 在统计模型选择方面提供更好的主题模型。

Aug, 2017

介绍了一种新的统计模型 —— 监督潜在狄利克雷分配（SLDA），应用变分方法处理难以计算的后验期望，解决回答类型的多样性并预测新文档的回答数值。与现代正则化回归以及无监督 LDA 分析相比，SLDA 有显著优势。

Mar, 2010

本文提出了一种基于术语稳定性分析策略的主题建模方法，该方法基于矩阵分解的主题建模方法在一系列语料库上得到验证，可以成功指导模型选择过程。

Apr, 2014

提出了一种名为 ECA 的学习流程，基于低阶矩的光谱分解，它可以恢复多种混合模型的参数，并在仅使用三元统计时正确恢复主题概率向量和主题优先级，因此具有可扩展性。

Apr, 2012

基于软聚类和文档嵌入的模糊主题建模对比传统的 Latent Dirichlet Allocation（LDA）模型，在新闻发布监测中，得到了更加自然的结果。

Sep, 2023

本文提出了相关话题模型（CTM），通过逻辑正态分布，展现留言比例的相关性，我们还推导出了适用于该模型的快速变分推理算法，并将其应用于 Science 1990-1999 年间发表的文章，数据集包括 57M 词，证明 CTM 比 LDA 拟合效果更好，并将其作为大型文本集成探索性工具。

Aug, 2007

通过使用 O（1）MH 采样算法，结构性并行模型方案和有界异步数据并行方案，本文展示了只需要 8 台机器即可在网页级语料库上训练具有 1 亿个主题和 100 万个单词的主题模型（共计 1 万亿个参数），这是目前尚未用数千台机器实现的规模，并且随着集群规模的增加，仍然享有比的时间成本降低，这代表了一项重大的技术突破。

Dec, 2014