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

该研究利用自然语言处理技术预测股票价格波动，旨在早期发现能够捕捉市场机会的经济、政治、社会和技术变化。通过从新闻文章中识别重要事实和事件，并使用这些事实与实体形成元组，以获取特定实体的市场变化摘要，最后结合所有摘要形成整篇文章的最终摘要。使用大型语言模型 GPT 3.5 进行摘要提取，并分析维基百科数据和《经济学家》的文章以建立公司和实体之间的关系。该研究旨在开发一种全面的系统，通过提前发现市场趋势和事件，为金融分析师和投资者提供更加明智的决策工具。

Oct, 2023

社交媒体平台在各领域的日益影响，包括旅游业，凸显了有效且自动化的自然语言处理（NLP）方法对这一宝贵资源的需求。在这项工作中，我们评估和比较了针对旅游领域中常见的 3 个 NLP 任务（情感分析、命名实体识别和细粒度主题概念提取）的几种 few-shot、模式利用和微调机器学习技术在大型多语言语言模型（LLMs）上的性能，以确定解决领域特定数据集构建中 NLP 研究人员常遇到的标注示例数量问题的最佳策略。通过对新收集和注释的由旅游相关推文组成的多语言（法语、英语和西班牙语）数据集进行广泛实验，我们发现当前的 few-shot 学习技术可以在很少的注释数据的情况下为这三个任务获得具有竞争力的结果，情感分析每个标签（总共 15 条）标注 5 条推文，位置检测的推文量为 10%（大约 160 条），而包含主题概念的推文量约为 13%（大约 200 条），这是一项高度细粒度的基于一个包含 315 个类别库的序列标注任务。这项基于新数据集的比较分析为将 NLP 应用于新的领域特定应用铺平了道路，减少了手动标注的需要并绕过了基于规则的临时解决方案的复杂性。

Nov, 2023

本文介绍了一种学习无监督条款，在生成模型中引入少量样本来捕获其必要属性的方法，用于生成商品评论等主观性文本的摘要，该方法比以往的提取和抽象方法更有效。

Apr, 2020

本篇论文探讨了如何利用半监督学习方法，在有限的有标签数据下，将无标签数据与有标签数据结合来提高关键短语生成的性能，实现多任务学习，通过无监督关键短语抽取方法或自学习算法得到的合成关键短语为无标签数据进行标注。实验结果表明，利用半监督学习的方法能够明显优于仅训练有标签数据的最先进模型。

Aug, 2018

本文提出了一种使用语言建模的无监督方法来对句子进行摘要，该方法使用了两种语言模型，并使用专业领域的语言模型来保持持续的上下文匹配，同时保持输出的流畅性，实验表明，该方法具有良好的性能。

Jul, 2019

该研究使用社交媒体数据进行无监督分析，利用自然语言处理、人工智能和深度学习模型来预测用户对整形手术的情感倾向，取得了近 90％的准确率，证明无监督学习在社交媒体文档标记方面是可行的。

Jul, 2023

通过自然语言处理技术，对长文本数据进行自动摘要，采用数据增强和微调等策略进行优化，可以大幅提高摘要的准确性，本文采用最先进的 NLP 模型 BART 进行研究，并提供了一种端到端的优化策略，使得在金融、医疗或其他特定领域的数据上，其 ROUGE-1 指标达到了绝对提升 5-6% 的水平。

Apr, 2022

本文提出了一个通过摘要网络和层次聚类技术来提取客户提问的框架，同时对客户的问题进行语法和语义相似度分析，并采用 TF-IDF 和 BERT 计算相似性得分。

Sep, 2021

本文介绍了一种基于🈚️ground truth summaries 的情况下，利用文档创建合成数据集、引入多种噪声生成函数以及学习生成原始评论的摘要模型的方法，该方法比抽取式和生成式基线模型都有更好的效果。

Apr, 2020