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。

本研究提出了一种新颖的双向主题匹配（BTM）方法，用于跨语料库的主题建模，量化不同语料库间的主题重叠与差异，特别是在气候新闻中有效识别气候变化与气候行动的主题。

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。

在线社交网络的迅速发展导致大量用户生成文本内容。研究比较了五种主题建模方法，结果显示BERTopic在提取重要主题方面表现最佳。

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。

本项目利用AI的知识发现医学语料库假设生成，通过深度学习与主题建模为景观和城市规划师提供新的研究角度，并应用该方法识别新兴传染病与森林砍伐之间的概念关系，为景观规划师提供指导性的研究方向。

该论文介绍了神经方法在主题建模中的应用，提出了一种递归网络，能够类似于贝叶斯非参数主题模型发现数量概念上无限的主题。实验证明了该方法在不同数据集上的有效性。

本研究利用社交媒体对2020年10月伊兹密尔地震的Twitter帖子进行情感分析和主题建模。研究发现用户在地震后分享善意愿望并表达对机构和组织的声音。该研究方法有效且具有未来研究价值。

TopMost是一个主题建模系统工具包，具有高度协调和解耦的模块化设计，能够涵盖更广泛的主题建模场景，有助于主题模型的研究和应用。

本文介绍了一种基于云的系统，使用机器学习方法从客户评论中提取洞察力。该系统使用复合模型，包括基于 transformer 的神经网络、关键字提取和聚类。它能够高效提取信息、进行主题建模，并满足用户需求。通过基准测试和与其他方法的比较，该方法取得了更好的结果。