本文提出了一种基于机器学习的比特币地址分类工具 BAClassifier，该工具利用地址图结构和特征网络，对比特币地址行为进行自动分类，实验结果表明该方法在比特币地址分类上表现优秀，可有效提高识别比特币网络中恶意交易的能力。
Nov, 2022
本文提出了一种基于深度学习的层次化信息利用方法，可以更好地解决不规则地址匹配的问题并更加关注地址中的特殊部分，实验结果表明，该方法可以将现有方法的准确率提高 3.2%。
May, 2023
通过使用一种名为 Chainlet Orbits 的新方法，该方法嵌入地址并使用其拓扑特征，我们能够更好地检测出由比特币网络中的违法行为引起的独特子结构，并且该方法通过使用可解释的机器学习模型在短时间内进行了一些检测。
通过研究地址匹配任务中的准确率、召回率和准确性指标，我们对地址匹配的最佳方法进行了研究，探究了从基于距离的方法到深度学习模型的各种方法。
Mar, 2024
该研究论文介绍了语义地址匹配技术，通过使用 OCR 从发票中提取地址并创建地址数据池，然后使用 BM-25 算法对最佳匹配条目进行评分，最后通过 BERT 进行相似查询以获得最佳结果，研究结果表明该方法显著提高了现有技术的准确性和性能。
Apr, 2024
研究了如何使用自然语言处理和 RoBERTa 模型来理解发展中国家（例如印度）中电商客户的运输地址，该方法结合了诸如编辑距离和语音算法之类的预处理步骤，并最终使用 RoBERTa 模型进行分类。
Jul, 2020
本研究提出了一种基于深度学习和图像区分的地址生成方案，该方案可以通过从卫星图像中提取道路信息、划分社区、标记区域与地址单位等步骤，映射全球道路，并与当前工业和开源地址编码方案进行了比较。
Nov, 2018
该论文提出了一种新的基于实时预测的检测模型，可用于监测比特币交易中的各种非法活动，具有强解释性和高效性。
Sep, 2022
本文提出了一种深度学习与推理相结合的方法，可从非结构化文本文档中找到并提取地址信息，从而提高公司处理效率。
Feb, 2022
本文提出 IPv6 hitlists 的研究，通过 IPv6 hitlists 进行网络测量，利用群众外包技术进行客户端测量，利用熵聚类等技术将 hitlists 分组，最终发布相应的源码、分析工具和数据，以促进未来 IPv6 网络测量的相关研究。
Jun, 2018