本文提出了一个无监督框架，用于共同建模微博交谈中的主题内容和话语行为。具体而言，我们提出了一个神经模型来发现表示会话涉及什么（即主题）和反映参与者表达意见的词群（即话语）。广泛的实验表明，我们的模型既能产生连贯的主题又能反映有意义的话语行为。进一步的研究表明，我们的主题和话语表征可以增强微博信息分类的性能，特别是在分类器联合训练的情况下。

Mar, 2019

本文介绍了一种新的方法，使用图形结构双向 LSTM 对社交媒体上的串行讨论进行建模，该方法代表了分层和时间会话结构。在 Reddit 讨论的评论受欢迎程度预测任务中，实验表明，所提出的模型比节点独立架构在不同的输入特征集上表现更好。分析表明，该模型在整个讨论过程中都具有优势，可以提高早期和晚期的检测效果。此外，使用带有双向树状状态更新的语言提示有助于识别具有争议性的评论。

Apr, 2017

通过使用会话树以及区分话语角色，本文提出了一个无监督模型来提取微博信息中的主题并进行总结，结果表明这个模型能够有效地发现微博会话中摘要值得关注的内容。

Sep, 2018

该研究提出了一种联合建模方法来识别口头会议中的显著讨论点，并标记发言者之间的话语关系；对于预测内容选择和话语关系，该联合模型在两个普及的会议语料库上表现出优于现有方法的结果；同时，使用基于该模型构建的特征训练分类器相较于现有技术能够显著提高团队成员对团体决策的理解一致性预测性能。

May, 2017

该研究介绍了一种将主题模型与语言模型相结合的方法，扩展了语言理解的范围，通过主题进行了文档级上下文的抽取，并提出了一种可解释的主题表征，将主题语义加入到语言模型中。通过建模每个句子中的话题，保留了句子与文档主题关联，提出了一种既有隐藏话题，同时又有可解释话题的神经组合语言模型。该模型在多项任务中展现了显著提升的能力，包括语言建模、词义消岐、文档分类、检索和文本生成。

Jun, 2020

本文提出了利用神经网络来预测社交媒体网络中观点赞同度的方法，结合了评论者的参与方式以及评论文本，通过一种新颖的神经网络结构可以学习隐含的讨论结构特征并探讨了其在权重文本特性方面对提高预测精度的作用。

Aug, 2016

提出一种新的贝叶斯主题模型，以学习语篇级别文档结构，通过知识先验和排列分布约束隐藏式主题分配，实现了全局主题选择和排序的偏向性，并在跨文档对齐，文档分割和信息排序三个不同层级的任务中均获得了较好的表现。

Jan, 2014

本文介绍了一种名为 Graph Topic Model (GTM) 的基于图形神经网络 (GNNs) 的神经主题模型，通过信息交互捕捉图形节点之间的关系，将文档和词汇转化成为图中的节点，并根据共现性连接，通过图卷积汇聚邻居节点信息从而通过共享单词在文档之间建立关系，扩充了文档的主题的表达方式。研究者还基于三个数据集开展了广泛的实验，其结果证明了这种方法的有效性。

Sep, 2020

本研究提出了一种无域限制的神经模型，可用于度量多个方面的连贯性，并能在生成新语句时保持连贯性，该模型包括区分性模型和生成性模型，以及一种新的基于神经潜变量马尔科夫生成模型，可捕获文本中句子之间的隐含连贯性依赖关系，并在多个连贯性评估方面取得了最先进的表现，为处理语篇上下文生成连贯性文本迈出了一步。

Jun, 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