本研究是基于任务驱动面试方法，研究本科生如何使用包括文本数据在内的非结构化数据进行分类，并探究文本的特征，最终发现了三种类型的特征（功能，内容和形式），大部分在第一种情境中产生。

Jan, 2023

该研究采用数据编程方法，使用基于邻域的弱模型来扩充文本数据集，并通过迭代的过程从大量未标记的数据中鉴别出稀疏分布的例子，并以人为中心确认这些标记数据的过程中，不断改进新的弱模型。研究结果表明，该方法可以显著提高文本分类任务的准确性。

Feb, 2020

本文介绍了如何使用机器学习模型解释文本分类的决策过程以及如何生成基于词向量的文档表示方法。通过对两个不同类型的模型进行比较，表明卷积神经网络在可解释性方面的优势，也使得它更具有人类可理解性，并有潜力应用于其他领域。

Dec, 2016

本研究提出了一种基于图形的 KeypartX 方法，用于通过语言信息（语义、句法和语用）提取文本的知识表示，可适用于大数据且不仅仅是基于词袋 / 向量的机器学习，同时适用于文本最小单元：句子。

Sep, 2022

通过聚类单词并组合成文本向量的新文本表示方案，在 5 个分类基准测试中得到了有效的评估结果，并通过可视化分析验证了其有效性。

Jun, 2019

本文提出了一种基于图形表示的模型，并演示了我们不仅可以跨文档检索语义相似的信息，而且我们生成的嵌入空间也捕获了有用的语义信息，类似于仅适用于文本序列的语言模型。

Feb, 2022

该研究提出了一项新任务，即在 Web 环境中将语言与正确的网页元素匹配，并收集了超过 50,000 个命令的数据集，包括功能引用、关系推理和视觉推理，并实施和分析了三个基准模型。

Aug, 2018

本文通过归纳总结相关研究成果并构建基于谱系和分类学的文本内容表达方法来帮助人工智能研究人员更好地理解和应用自然语言处理技术。

Nov, 2022

本文全面调研了针对词嵌入、序列建模、注意力模块、Transformer、BERT 以及文档排名的机器学习和自然语言处理研究的可解释性和解释性方法，最后提出了未来的研究方向。

Dec, 2022

本文是一篇关于使用自然语言处理技术生成简化版摘要的研究综述，发现基于 transformer 的方法如 BERT 和 PEGASUS 在生成 lay text summarisation 方面相对优秀，并建议采用抽取式和生成式相结合的混合方法，并开发一些新的评估指标以确保 lay summary 更易读。

Mar, 2023