本研究提出了一个公开的多语言数据集，标注了激进化水平、行动召唤和命名实体，分析了注释过程中的偏见及其对模型性能的影响，强调了构建稳健数据集的重要性。

本文探讨了英、泰、僧三语并行语料库中低资源语言（僧伽罗语和泰米尔语）的命名实体标注问题，利用预训练的多语言模型建立了新的基准识别结果，展示了其在低资源神经机器翻译中的应用价值。

本研究提出了一种新方法，将维基百科知识融入神经主题模型，解决同形异义词问题。该方法能识别命名实体，提高模型泛化能力，并有效捕捉主题时间序列发展。实验结果验证了其有效性。

本研究提出了一种支持立场提取网络（SEN），可以在一个统一的框架中提取多模态证据的不同立场，并引入基于命名实体的共现关系计算的支持 - 反驳分数到文本 SEN 中。实验结果显示，该方法优于现有的基线模型，最佳模型在准确率上取得了3.2%的性能提升。