本论文提出一种基于 Word Association 的社交网络话题检测框架，利用语言结构方法发现单词间的关系，结合人类 Word Association 模型实现更好的效果，在英语和波斯语低资源语言中进行测试，显示出良好的性能。

Jan, 2023

本研究旨在研究波斯语下的主题检测，通过对现有算法进行深入研究、波斯语的适应性改进，以及在波斯语社交网络文本上的性能评估，发现具备良好表现的算法类别为混合类别，对于易于理解的关键词主题搜索，而频繁模式类别则更适合用于进一步分析的帖子聚类。

Mar, 2024

该研究提出了一种方法，通过对句子和文档的主题进行深入理解，不仅分析数据中的词频，而且可以检测包括非常见词或新词在内的潜在主题，还使用了基于语义空间的异类词和相似性度量等新的评价指标，并通过与人工识别相似性度量的相关系数，在文本挖掘方面展现出优秀的性能结果。

Mar, 2023

本文通过人工智能与人类的互动，迭代地估计关键词的期望，并将关键词和期望用于模型训练，提高了事件检测的准确性和可解释性。

Dec, 2019

研究自动理解社交媒体上的用户生成内容，利用基于序列到序列模型的神经关键短语生成框架提取突出信息，并允许生成缺失关键短语。实验表明该模型在三个数据集中表现优异，能学习有意义的主题，从而解释其在社交媒体关键短语生成中的优越性。

Jun, 2019

该研究提出了一种新的深度卷积神经网络模型以更有效地进行社交微博帖子中的口语文本情感分析，采用构建用户意见数据集，并使用不同的单词嵌入进行了评估，结果表明该模型具有 72％的准确性和有效性。

Jun, 2023

本文提出一种新的名为 Hierarchical Latent Semantic Mapping (HLSM) 的主题生成方法，它可以自动从语料库中生成主题，并使用单词之间的关联和层次生成主题网络。实验表明，相比于现有的一些最先进的方法，HLSM 在几个文档集合上表现良好。

Nov, 2015

通过自然语言处理技术，本论文介绍了在波斯语中探测重要新闻的新型基准数据集（Khabarchin），并提出了解决此任务的多个基于学习的模型，从传统机器学习到最先进的 Transformer 模型，同时还介绍了在新闻文章中通过弱监督方式识别重要句子的第二个任务。

Dec, 2023

本文介绍了一组用于识别借用单词的计算方法，这些方法是基于社交媒体的信号的。通过 Spearman 相关系数值，我们的方法在预测借用可能性方面比文献中报道的最佳基准线表现好两倍以上（近 0.62 比近 0.26）。我们根据这种可能性估计要求标注员重新标注主要为本土语境中的外语词的语言标签。在 88％的情况下，标注员认为应该用本地语言标签替换外语标签，从而表明自动语言识别系统有很大的改进空间。

Jul, 2017

本文提出了一种元学习方法，结合多语言预训练表示和跨语言转移学习，推断波斯语自然语言，探讨任务增强策略在形成高质量任务方面的角色，并通过零 - shot 评估和 CCA 相似度找到适当的初始参数，相对于基线方法，该模型表现出了更好的性能。

May, 2022