本研究探讨了负采样在无监督主题建模中的应用，比较了多种神经主题模型的负采样策略，并验证了其在多个数据集上的有效性。结果表明，负采样显著提高了主题的一致性、多样性和文档分类的准确性。

本研究提出了ContraTopic框架，以解决神经主题模型的可解释性问题。通过对比学习和主题对比正则化，增强了主题的一致性和区分性。实验结果表明，该框架在多个数据集上优于现有模型。

本研究解决了反事实检测中依赖线索短语预测的不稳定性。提出结合神经主题模型与CFD模型的方法，通过因果干预平衡类别标签影响。实验结果显示，该方法在CFD及其他偏差任务中表现优于现有模型。

本文介绍了神经主题模型的最新进展，包括利用语言模型和嵌入技术提升主题模型的可解释性和适用性。研究了BERTopic和LI-NTM等模型的性能，并提出了图向话题（G2T）框架，展示了其在主题建模中的优势。此外，探讨了生成模型在零样本情况下的文本生成能力及其局限性。

本论文提出了一种利用预训练语言模型扩展短文本序列的方法，通过扩展神经主题模型减少噪声文本的影响，显著改善短文本主题建模的性能。