本研究提出了一种新型模型，旨在改善人工智能生成内容检测系统在短文本识别上的不足。该模型使用超过240万条标注数据进行训练，展现出良好的泛化能力和鲁棒性，推动了AI生成内容检测的进步。

本研究探讨短文本数据聚类中的信息性与可解释性平衡，发现高斯混合模型能有效提高语义密度，但聚类数量过多会降低可解释性，建议聚类数量控制在16-22个之间。

本文比较了DeepSeek与其他大型语言模型在短文本预测中的表现，结果显示DeepSeek在分类准确性上优于大多数模型，但不及Claude，并提供了新数据集以促进未来研究。

本研究探讨了通过引入语义边增强传统共现网络的有效性，发现虚拟边对不同网络度量的影响各异，指导短文本应用中的指标选择。部分度量在引入虚拟边后信息性提升，而另一些则可能下降。

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。

本文介绍了一种利用神经句向量和异常检测技术检测短文本中的错误和独特样本的方法。研究提出了新的数据采集流程，有效去除错误数据并挖掘独特数据，从而提升意图分类和槽位填充模型的鲁棒性。此外，探讨了大型语言模型在异常检测中的应用，提出多种度量方法以改善模型的效率和安全性。

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。

本文介绍了多个中文短文本和长文本摘要数据集的构建及应用，探讨了基于递归神经网络和BERTSUM等模型的摘要生成方法。这些方法在短文本和长文本摘要生成中表现良好，为后续研究提供了基线和评估框架。

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。