本研究提出了一种基于时态远程监督的有效方法，以揭示刚被引入公众视野通过微博出现的真正的新兴实体，并以大规模 Twitter 存档的实验结果证明，该方法发现的前 500 个新兴实体的精度达到了 83.2％。

Jul, 2019

本文提出了一种通过语义聚类短信息的方法来早期发现新兴实体，并设计并利用性能评估指标来评估该方法的性能表现。结果表明，该提议方法发现的新兴实体不仅仅是 Twitter 趋势的范畴。

Jul, 2022

本文讨论了对于不规则、嘈杂、依赖上下文及动态性的推文（一种微博形式），运用自然语言处理技术进行挖掘和智能信息访问的挑战，重点关注了从推文中提取实体并进行实体消歧的任务，介绍了一个新的 Twitter 实体消歧数据集，并对多个最先进的 Named Entity Recognition & Disambiguation 模型进行了实证分析。

Oct, 2014

本文使用监督学习方法，基于新闻周期预测 Twitter 上实体的受欢迎程度，并提取四类特征进行预测，结果表明新闻是预测 Twitter 实体受欢迎程度的良好信息源。

Jul, 2016

通过追踪在公共语料库中的实体，即社会媒体和新闻流中的在线文本流，我们研究了在线上如何形成集体记忆，发现了 “突发” 和 “延迟” 两种主要出现模式。

Jan, 2017

提出一种名为 EMD Globalizer 的框架，利用出现频率挖掘和上下文表示将微博文本中的实体提取出来，可以提高现有 EMD 系统的效果。

Jan, 2022

本研究旨在探索利用预训练模型进行 Twitter 命名实体识别的问题，构建了一个包含七个实体类型的数据集 TweetNER7，并提供了一组语言模型基线。通过分析不同时期对语言模型性能的影响，尤其是短期降级、基于不同时间段进行语言模型微调的策略和自我标记作为最近标记数据的替代方案。

Oct, 2022

本研究提出了一种以聚类为基础的实时事件发现系统，能够将 Twitter 上的实时数据进行聚类，识别出不同的事件，并使用 novel metric 评估聚类方法的效果和在实时和线下模式下的表现，实验结果表明该系统在大规模数据上具有很高的效率和准确性。

Jul, 2019

社交平台是传播和讨论真实事件信息的关键平台，本研究提出了一种利用社交数据的词汇、语义和上下文表示来检测社交事件的框架，通过利用上下文知识在最早的阶段检测语义相关的推文并提高聚类质量，进而展示每个事件的演变变化。经过广泛实验验证了该框架在检测和区分社交事件方面的有效性。

Jul, 2023

该研究提出了一种测量推文潜在趋势的直观方法，用于选择最具信息价值的实例以用于训练命名实体识别的神经模型的更新，实验表明，该方法比其他方法使用更少的训练数据更能提高准确性，是一个实用的解决方案。

Apr, 2021