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

采用随机块模型方法，针对主题建模中存在的问题，提出了一种更具通用性和原则性的框架，该框架能够自动检测主题数和分级群集单词和文档，从而比 LDA 在统计模型选择方面提供更好的主题模型。

Aug, 2017

本研究通过使用新方法 BERTopic 对消费者金融保护局（CFPB）数据进行基于句子嵌入的主题提取，通过对比 LDA 和 LSA，证实 BERTopic 能够更有意义且更具多样性地生成主题。此外，使用特定于领域的预训练嵌入（FinBERT）可以进一步提高主题品质。同时，本研究通过 c_v 和 UMass 等参数对主题准确性进行了评估。

May, 2022

通过结合基于词嵌入、降维和聚类的算法，本研究旨在从未分类的文本集合中获取主题；文本嵌入算法采用了 BERT 模型，这是一种在自然语言处理任务中广泛应用的神经网络架构；为了处理高维数据，使用 UMAP 降维技术，能保留原始数据的局部和全局信息的一部分；K-Means 作为聚类算法，用于获取主题；然后，使用 TF-IDF 统计、主题多样性和主题连贯性来评估主题的含义；该过程的结果显示出较好的数值，因此主题建模是一种可以对无标签文本进行分类或聚类的可行选择。

Oct, 2023

基于软聚类和文档嵌入的模糊主题建模对比传统的 Latent Dirichlet Allocation（LDA）模型，在新闻发布监测中，得到了更加自然的结果。

Sep, 2023

通过设计不同的探针实验，使用 BERT 和 DistilBERT，我们发现注意力框架在模拟主题词簇时发挥了关键作用，这为探讨概率主题模型和预训练语言模型之间的关系铺平了道路。

Jan, 2023

我们提出了一种基于聚类的主题建模方法，使用概念实体作为语言无关的表示，并使用图神经网络从百科全书语料库和知识库中提取实体的向量表示，该方法在连贯性度量方面始终优于其他主题模型。

Jan, 2023

本文提出了一种利用预训练单词嵌入进行文本聚类的新方法，同时整合文本信息进行加权聚类并重新排名前几个单词，旨在挖掘出文档集合中的主题，并对其性能进行基准测试并分析其在降维中的性能。实验表明，所提出的方法在降低时间和计算复杂度同时不输于传统的概率主题模型。

Apr, 2020

本文提出了一种关键词辅助的主题模型，通过提供一小部分关键词，可以大大提高主题模型的测量性能，该模型具有更好的可解释性和文档分类性能，并且对主题数量的敏感性较小。

Apr, 2020

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