在线社交网络平台的指数增长导致了大量的用户生成文本内容，这包括评论和评价。为了解决这一挑战，机器学习和自然语言处理算法已经应用于分析在线可用的大量文本数据。在最近几年，主题建模技术在该领域中获得了显著的流行度。本研究全面研究和比较了特定应用于客户评价的五种常用主题建模方法，通过在实际场景中展示它们在检测重要主题方面的益处，旨在突出它们的功效。我们通过精心选择两个文本数据集来评估这些主题建模方法的性能，评估是基于标准的统计评估指标如主题连贯性得分。我们的发现揭示了 BERTopic 在提取有意义的主题方面始终表现出色并取得了良好的结果。

Aug, 2023

本文提出了首次系统全面评估多模式主题建模的方法，并提出了两个新的主题建模解决方案和两个新的评估指标。通过对数据集的评估，我们发现我们的模型都能生成连贯且多样化的主题。然而，一个方法优于另一个方法的程度取决于评估指标和数据集的组合，这表明未来需要进一步探索混合解决方案。值得注意的是，我们简明的人工评估与我们提出的评估指标结果一致，这不仅强化了评估指标的可信度，也突出了其在引导未来多模式主题建模研究中的潜力。

Mar, 2024

本文比较两种突出的主题建模技术，潜在狄利克雷分配（LDA）和非负矩阵分解（NMF），在航空事故报告分析中的应用，以自动化和简化事故报告中潜在主题和模式的识别过程。LDA 在话题连贯性方面表现更好，NMF 则能够产生更为独特和细致的话题，以便对航空事故的具体方面进行更有针对性的分析。

Mar, 2024

本文介绍了神经主题模型研究的最新进展和发展方向，旨在为 AI 社区中的研究人员提供一个全面的概述以促进其在这一快速发展研究领域中进行创新。

Feb, 2021

通过对话题模型进行评估，发现神经网络模型（NTMs）在实际任务中的效果优于传统模型，且自动评估指标无法提供全面的话题建模能力。

Jan, 2024

该论文提出了一种基于合成语料库的新框架，用于评估概率主题建模算法，通过比较标记在标记级别上的指定主题标签，能够量化种植和推断主题结构之间的一致性。通过实验，揭示了主题模型的相对强度随语料库特征变化的新见解，并首次证明了主题模型的 “不可检测阶段”。并预测了在真实世界语料库中应用的主题建模算法的性能。

Jan, 2019

该论文从理论上证明了利用非负矩阵分解（NMF）作为主要工具来实现主题模型学习算法的可行性，具有学习效率高，不需要数据满足某些限制条件等优点，可用于包含主题 - 主题相关性的模型。

Apr, 2012

本研究旨在探讨大型语言模型（LLMs）在主题提取方面的潜力，并建立评估协议以评估 LLMs 的聚类效果。通过深入实验与评估，总结了采用 LLMs 进行主题提取的优势和限制。

Mar, 2024

该研究使用了 KernelPCA 和 K-means Clustering 结合 BERTopic 架构，比较了主题建模方法，并在尼日利亚银行客户的推文数据集上展示了一致性得分为 0.8463 的连贯主题。

Feb, 2024

现有的大型语言模型在处理复杂结果和推理时表现欠佳，虽然巨大的语言模型可以在二分结果方面接近完全自动的元分析。

May, 2024