通过交叉轨迹特征工程和聚类，该研究利用高阶特征从人类移动轨迹记录中挖掘用户的生活方式特征，并且通过深入提取包括旅行模式、离散傅里叶变换的节奏和 word2vec 词向量化地点语义等特征，在深圳超过 50 万用户的轨迹数据集上，得到了七个具有不同生活方式特征的用户类簇，这些结果通过常识解释得到了很好的验证。

Dec, 2023

本研究提供了一套标准指南用于生命事件的语义注解，以便挖掘出被较少关注的人物生平信息，并可扩展到维基百科等现有的资源中。

Jun, 2022

运用 Markov 链和 Google 矩阵方法，分析了 24 种不同语言维基百科超链接网络中的历史人物，并根据他们的文化背景研究了它们的空间、时间和性别分布，发现了文化之间的交错和文化之间相互影响的最具影响力的文化，并构建了跨文化交流的网络。

May, 2014

利用机器学习等技术，将人类生活事件序列嵌入到一个单一的向量空间中，以预测包括早亡和人格特质在内的多种结果，从而为个性化干预提供了潜在机制。

Jun, 2023

本文介绍了一个新的全新语料库并建立模型，能够对传记文本进行事件检测，研究偏见和歧视问题，验证其在数字人文中的应用。

Jun, 2023

通过大型语言模型（LLMs）推理轨迹语义的 Trajectory Semantic Inference with Large Language Models (TSI-LLM) 框架通过人类移动性模式的复杂分析，提高了轨迹数据的语义分析能力。

May, 2024

本篇研究提出了一种端到端的深度学习向量表示方法来进行群体活动分析，该方法可以编码个体动作和集体行为的空间时间依赖关系来识别个体事件并识别群体，此外本方法还可以应用于团队体育运动数据的事件分析和阵型分析中。

Jun, 2017

本文提出了一个无监督框架，基于用户发布的推文来创建个人重要事件的时间线，通过分析个人推文集合并使用多层狄利克雷过程模型来识别个人时间特定话题、个人时间通用话题、公共时间特定话题和公共时间通用话题，再进一步抽取这些类型的话题以生成时间线，经过实验证明这是一个有效的方法。

Sep, 2013

本文提出了一个新的人类出行轨迹挖掘流程，利用大型语言模型对兴趣点进行活动类型标注，并使用基于贝叶斯算法推断轨迹中每个停留点的活动，评估结果表明，该方法在 POI 分类方面达到了 93.4% 的准确率和 96.1% 的 F-1 分数，并在活动推测方面达到了 91.7% 的准确率和 92.3% 的 F-1 分数。

May, 2024

本文介绍了一个对 Lifelogs 进行问题回答的基准测试 TimelineQA1，并通过多个实验比较了几种 QA 模型的性能。实验结果表明，对于原子查询，抽取式 QA 系统明显优于一种最先进的检索增强 QA 系统。对于涉及聚合的多跳查询，我们展示了使用最先进的表格 QA 技术的最佳结果，前提是可用于推导答案的真实事件集合可用。

Jun, 2023