本文提出了一种优化框架，用于生成信息性和主题连贯性更强的时间线摘要。研究介绍了多种时间线摘要生成方法及评估指标，创建了DiverseSumm数据集以应对多样信息摘要的挑战，并分析了大型语言模型在此任务中的表现。实验结果表明，背景摘要机制和合适的模型在处理复杂事件时效果显著，为多语言新闻摘要任务提供了新思路。

本文探讨了多种神经主题建模方法，包括维基百科标签、嵌入式主题模型（ETM）和基于聚类的主题建模，旨在提高主题模型的准确性和一致性。这些方法在处理复杂文本和生成可解释主题方面表现优异，尤其在文档分类和主题连贯性上优于传统模型。

在线社交网络产生大量用户评论文本，主题建模是分析这类数据的重要技术。本研究比较五种常用主题建模方法在客户评价上的表现，以主题连贯性等指标评估，发现BERTopic在提取有意义主题方面始终表现出色。其他研究也表明，结合预训练嵌入、降维与聚类的方法能提升主题质量，关键词辅助模型可增强可解释性。

本文介绍了一种基于神经网络的会话自动语音识别模型，使用潜变量模块学习会话角色偏好和主题连贯性，并使用主题模型来预测主题中的单词。实验结果显示，该模型在两个汉语任务上相对字符错误率降低了最多12%。