本研究使用深度学习模型，利用印度 Twitter 数据集，对 COVID-19 疫情的第一至第三波进行话题建模，发现官方治理、疫苗接种和疫情管理等是话题重叠的主题，并发现 COVID-19 疫情的政治、社会和经济情况下出现了新问题。研究结果表明，不同时期的主要话题与相应时间段流行的新闻媒体有强烈的定性相关性。该研究还具有扩展到其他国家和地区捕捉 COVID-19 疫情不同阶段的主要问题的潜力。

Feb, 2023

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

通过对英文新闻文章以及谷歌趋势数据的综合数据分析，该研究发现正能量的能源相关新闻是公众对地质工程越感兴趣的重要因素，并且这种趋势随时间的推移而持续存在。这些发现揭示了公众参与地质工程和气候行动的非均衡性，特定主题如能源、灾害和政治相关的气候新闻更能塑造时间上的兴趣。对于科学家、政策制定者和教育工作者，了解这些模式对于制定有效的与公众交流策略和促进新兴气候技术的对话至关重要。

May, 2024

本文探讨了如何使用经过预训练和微调的 transformer-based 模型筛选社交媒体数据集中的相关文档，以达到高准确度的目的。该方法的低成本和高性能意味着它对于具有不确定语料库边界的社交媒体数据集可能具有广泛的好处。

May, 2023

我们提出了一种名为 “协调主题建模” 的新问题，旨在通过复用现有知识来更加可解释地表示语料库，并设计了一种基于嵌入式的协调主题模型（ECTM），该模型通过引入主题和文档级别的监督和自训练机制来解决此问题，并在多个领域进行的广泛实验表明我们的模型优于其他基线。

Oct, 2022

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

该研究介绍了一种将传统主题建模方法的输出扩展到除了独立的令牌列表之外的新方法，通过提取高评分的关键词，并将其映射到主题模型的令牌输出，提高其可解释性。

Jan, 2024

本文探讨了使用多目标超参数优化方法，优化三种知名主题模型时需要考虑到主题连贯性和多样性这两种冲突的目标，并且发现选择超参数时，训练语料库的特征至关重要，表明可以在数据集间传输最优的超参数配置。

Feb, 2022

提取了 COVID-19 推文的关键主题和情感，使用深度学习模型实现了更好的主题标签提取和情感分析，以及最高的准确率。

Dec, 2023

本文介绍了一种基于关键词属性的特异性评分方法，用于评估主题模型算法并选择最具信息的主题，结果表明这种方法可在信息损失更低的情况下压缩不同因素的最新主题建模结果。

Mar, 2022