本研究提出了一种新方法，将大型语言模型的摘要生成与主题建模相结合，以解决源代码理解中的主题建模问题。实验结果表明，该方法生成的摘要能够提供更具可解释性的代码结构表示，具有广泛的应用潜力。

本研究提出双向主题匹配（BTM），一种新颖的跨语料库主题建模方法，用于量化语料库之间的主题重叠与差异。BTM能够有效识别气候新闻文章中共享和独特的主题，展示气候变化与气候行动之间的关系。

本研究提出LLM-ITL框架，解决传统主题建模在大型语言模型应用中的主题覆盖不足、对齐和效率问题，显著提升主题的解释性和一致性。

本研究提出了一种新的“语义成分分析”（SCA）技术，有效克服了短文本分析中的主题建模局限性。SCA在多个Twitter数据集上表现优异，发现的语义成分数量是BERTopic的两倍，噪声率接近零，适用于多种语言。

本研究探讨中国通过华侨媒体影响欧洲选举，提出KeyNMF主题建模方法，证明其在分析华人媒体信息动态方面的有效性。

本文介绍了多种主题建模方法，如Topic2Vec、嵌入式主题模型（ETM）和TaxoCom。这些方法结合了语义向量、层次结构和聚类技术，提高了主题检测的有效性和可解释性。实验结果表明，这些新方法在主题提取和文档表达方面优于传统模型。

本文探讨了贝叶斯非参数主题建模在视频数据异常检测中的应用，展示了其在动态环境下的有效性。研究表明，综合检测方法优于简单检测，适用于搜索救援和野生动物观察等领域。此外，提出了新特征选择方法和鲁棒异常检测模型，提升了高光谱影像的异常检测性能。

本文探讨了高维稀疏计数数据的主题建模，比较了多种算法，强调超参数优化对性能的影响。提出了一种新型主题模型和推理方法，利用预训练语言模型改善短文本建模，显著提升了主题质量和聚类效果。

本文提出了一种结合句子嵌入和生成过程模型的主题建模算法，利用大型语言模型（LLMs）解决短文本主题推断的挑战。研究表明，该方法在多个数据集上表现优异，能够识别更连贯的主题，减少虚构主题的产生，并提高主题提取质量，消除手动调整的需求。

本文介绍了一种基于序列到序列神经网络的主题建模方法，结合BERT模型、UMAP降维和K-Means聚类，从未分类文本中提取主题。研究表明，该方法在多个数据集上表现优异，并开发了交互式主题建模系统，具有显著应用价值。

该论文首次将BERTopic主题建模技术应用于塞尔维亚语短文本，结果表明在某些预处理情况下，其主题丰富性优于LDA和NMF。这项研究对低资源语言和短文本的处理具有重要意义。

本文介绍了基于向量量化（VQ）和生成模型的技术，旨在解决图像与文本信息对齐、主题建模及图像压缩等问题。研究表明，通过新颖的编码簿和训练框架，这些方法在多个数据集上优于现有技术，提升了生成性能和压缩效率。

本文介绍了一种基于云的机器学习系统，能够从客户评论中提取洞察力，利用变压器神经网络和关键字提取技术，显著提升信息提取和主题建模的效果。该系统经过基准测试，表现优于现有方法，显示出更高的排序精度。

本文介绍了PromptTopic，一种利用大型语言模型提取和汇总短文本主题的方法，显著提高了主题建模的质量。通过扩展短文本和减少噪声，PromptTopic在多个数据集上表现优于现有模型，有效解决了数据稀疏问题，展示了其在主题提取中的潜力和优势。

本文提出了一种结合题意注意力机制和主题建模的鲁棒模型，用于预测文章特征分数。实验证明该模型在自动评分任务中的先进性，并探讨了自动评分模型的准确性、公平性和泛化能力，为教育中有效模型的开发提供了见解。

该论文提出了一种新框架，用于评估概率主题建模算法并量化主题结构一致性。研究揭示了主题模型在不同语料库特征下的表现，并首次证明了“不可检测阶段”。提出的“协调主题建模”模型通过监督机制提升可解释性，实验结果显示其优于其他基线。

本文讨论了多种主题建模方法，包括基于聚类的主题建模、随机块模型、术语稳定性分析和高斯混合神经主题模型。这些方法在文本空间化、主题数自动检测和语义提取方面表现优越，显著提升了分类和预测任务的性能。