2025年2月初，江南（中国）经济管理学院王松副教授团队在《数据分析与知识发现》上发表题为“基于知识增强的多模态用户生成内容主题识别与演化分析”的文章。
及时感知价值性内容蕴含的主题及动态演化趋势是优化知识资源管理、提升共创知识利用效率的重要手段。本文基于“模型驱动+知识增强”的设计思路实现对多模态知识的高效归集和利用。文章综合BERT、Doc2Vec、ResNet 和 K-BERT 模型以捕捉多层次文本和图像的深层向量表示并完成知识增强；在此基础上，构建距离矩阵以刻画多模态内容间的内在关联并借助谱聚类与DTM 模型深入剖析知识主题的动态演变，最后利用实证数据进行了验证。实证结果证明，综合“长短文本+图像+外部知识”的多模态模型能够更加有效地提升知识聚合效果。多模态深度聚类下的分析可以厘清核心知识主题的演化过程，这不仅可以为有效挖掘用户生成内容提供方法参考，更可以为提升在线知识管理质量提供有效依据。
