Mann、Mimno和McCallum（2006）应用主题模型方法对计算机科学领域的300 000篇文献提供了一个基于主题的影响力分析。他们将期刊影响因子方法拓展至主题分析，引入三种主题影响因子评价方法：主题多样性（即基于不同主题的引文情况对文献排名）、主题转移（即基于各自主题外的引文情况对文献排名）和主题优先度（即基于文献是否最先创建某个主题对文献排名）。他们还开发了主题N-Grams LDA模型，该模型使用词组而非单词来表现主题。Gerrish和Blei（2010）提出了基于动态LDA模型的文献影响力模型，此模型无需使用引文关系便可识别有影响力的文献。他们的假设是：在未来，一篇文献的影响力与其发表后所在领域的语言变化相关。因此，一篇文献如果含有随着时间推移变化频繁的单词，那么这篇文献的影响力就高。他们将这一模型应用于三个大型的文献集，影响力测量结果与文献被引频次显著相关。

Liu、Zhang和Guo（2012）将Labelled LDA模型用于全文本引文分析，以提高传统的文献计量学分析性能。Ding（2011a）结合主题模型和Pathfinding算法研究信息检索领域的科研合作和学术认可。结果表明，对于拥有共同研究主题的同事，高产作者乐于与他们合著论文，也乐于引用他们的论文，但是高产作者一般不与研究其他主题的同事直接合作。Ding（2011b）提出了基于主题模型和加权PageRank算法相结合的Topic-Dependent Rank。她用ACT模型提取作者和会议的主题分布，并将此作为PageRank算法的一个加权向量。结果表明，这个方法能够识别出不同时期、不同研究主题的有代表性的作者。随后，Ding（2011c）用Author-Topic模型检测作者社区，并将此方法与传统的社区检测算法（通常为基于拓扑结构的合著网络图分区）相比较。结果表明，后者检测到的社区倾向于在每个社区包含不同的主题，而作者—主题模型检测到的社区倾向于在每个社区包含拓扑多样性的子社区。Natale、Fiore、Hofherr（2012）使用文献计量学及语义计算方法（包含隐藏语义分析、主题模型及合作者分析）对水产领域的主题以及发展趋势进行了研究。Song、Kim、Zhang、Ding和Chambers（2014）采用基于Dirichlet多项式回归（DMR）主题模型方法分析了发表于2003—2011年的生物信息学文献的研究趋势，他们发现生物信息学领域经历了巨大的转变，与其他生物医学学科一同发展。(www.daowen.com)