该研究提出了一种利用 Latent Semantic Analysis 检测全局上下文并结合 Pólya urn 模型的方法来提取话题短语的模型，结果表明，在技术术语和有限的单词统计数据的情况下，该模型比其他方法都表现良好。

Nov, 2019

本文提出了一种新颖的无监督方法，即 EmbedRank，通过使用句子嵌入从单个文档中提取关键短语，进而在标准数据集上实现了比基于图的现有系统更高的 F-score，适用于实时处理大量 Web 数据，并通过引入基于嵌入的最大边际相关性来明确地增加所选关键短语的覆盖率和多样性，200 份投票的用户调查表明，我们的高多样性选择得到人类的接受。

Jan, 2018

我们提出了一种无监督、语料库无关的方法，从单个文本中提取关键词。该方法基于词语的空间分布以及该分布对词语的随机排列的响应。与现有方法相比（如 YAKE），我们的方法具有三个优点。首先，它在提取长文本中的关键词方面更为有效。其次，它允许推断两种类型的关键词：本地和全局关键词。第三，它揭示了文本中的基本主题。此外，我们的方法是与语言无关的，并适用于短文本。结果是通过对具有先前知识的人类注释器在我们的古典文学作品数据库的文本上获得的（注释器之间的一致性从中等到重大）。我们的结果受到了基于所提取内容词的平均长度以及所提取词中名词的平均数量的非人类独立论证的支持。我们讨论了关键词与高阶文本特征之间的关系，并揭示了关键词与章节划分之间的联系。

Jul, 2023

本研究提出了一种无监督的关键词提取模型，该模型通过多方图结构将主题信息进行编码，并利用关键词和主题之间的相互关系来提高候选关键词的排名，同时引入了新颖的机制来纳入关键词选择偏好。在三个广泛使用的数据集上的实验表明，该模型相比于现有的基于图形的模型具有显著的改进。

Mar, 2018

本研究提出了一种新型神经模型，将全局节点编码和局部节点编码相结合，以学习更好的上下文节点嵌入，实现了在两个图文转换数据集上明显的改进。

Jan, 2020

本文提出了一种基于预测文档主题的显著性测量方法 INSPECT，用于自动提取关键短语，取代了需要领域专业知识的启发式短语重要性聚类或图中心性方法，并在科学出版物和新闻文章两个领域的四个数据集中取得了最先进的无监督关键短语提取结果。

Mar, 2022

本文研究如何使用自动化方法提取科学文献中的关键词和短语，包括集成评分、语义网络和聚类等技术，并在 “可解释的人工智能” 领域的文献数据集上进行了评估。结果表明，集成评分可以提高关键词提取性能，基于 ConceptNet 语义网络的词嵌入具有类似于上下文化词嵌入的性能，但前者计算效率更高。最后，以术语为级别的语义关键词聚类可以将相似的术语组合在一起，适合用于构建分类方案。

Jan, 2021

本文提出了一种新颖的神经网络抽取式文档摘要模型，结合整个文档的全局上下文和当前主题内的局部上下文；我们在 Pubmed 和 arXiv 两个科学论文数据集上评估了该模型，并在 ROUGE-1，ROUGE-2 和 METEOR 分数上优于以前的工作，包括抽象模型和提取模型；更为惊讶的是，消融分析表明，我们的模型的好处似乎仅来自于对局部上下文的建模，即使对于最长的文档。

Sep, 2019

本文提出了一种使用 BiLSTM-CRF 模型和深度语境化嵌入来解决学术论文关键词提取问题，结果表明使用语境化嵌入、BiLSTM-CRF 结构和针对特定类型文章的语境化嵌入可以达到更好的性能，并且我们还分析了各种模型的优劣。

Oct, 2019

本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

Dec, 2023