通过对包括卡尔达诺、币安、比特币、狗狗币、以太坊、空灵、Matic、币神和瑞波在内的多个数字货币的英文推特大数据集进行详尽研究，本文主要旨在进行社交媒体内容的心理和情感分析，比较不同数字货币之间的语言特征，探讨不同数字货币社区中呈现的独特语言模式，并揭示了这些数字资产在加密货币社区中的相互作用。

Jan, 2024

通过分析历史数据和使用人工智能算法，本文研究了影响加密货币价格的因素以及如何识别风险的加密货币，并通过对链上参数的聚类和分类，得出了 39% 加密货币消失于市场而仅有 10% 存活超过 1000 天的结果，发现了加密货币价格与最大供应量、总供应量之间显著的负相关性，以及与 24 小时交易量之间的弱正相关性。同时，通过对加密货币的聚类，可以更全面地了解其特性，并通过 K - 最近邻算法得到 76% 的最佳 F1 分数，判断加密货币的风险程度。

Aug, 2023

本研究探讨了不同的自然语言处理模型在社交媒体情感分析中的可用性，应用于金融市场预测，以加密货币领域为参考。我们研究了不同情感度量与比特币价格波动之间的相关性。通过实验我们发现有一个模型优于其他 20 多个公开模型，且通过 fine-tune 可以得到更好的性能，其解释性更强。因此我们证实可解释的人工智能和自然语言处理方法可能比不可解释的方法更有实际价值。最后，我们分析了不同情感度量与价格波动之间的潜在因果关系。

Apr, 2022

探索机器学习和自然语言处理技术在加密货币价格预测中的应用，通过分析来自 Twitter 和 Reddit 的新闻和社交媒体数据，使用深度学习的 NLP 方法研究公众情绪对加密货币估值的影响，将加密货币价格预测视为分类问题，比较不同的机器学习模型的性能，并发现含有 NLP 数据显著提升了预测性能，强调了文本分析在改善金融预测中的潜力，证明了各种 NLP 技术在捕捉细微市场情绪方面的效果。

Nov, 2023

通过评估多种深度学习模型，我们发现单变量 LSTM 模型变体在加密货币预测方面表现最佳，并对 COVID-19 期间的价格进行波动性分析。

May, 2024

本研究提出了一种基于神经网络的序列标注模型来自动识别网络入侵的迹象（IOCs），不需要专家级别的网络安全知识，通过对多个 token 拼写特征使用注意力机制，该模型可以从网络安全报告中识别出低频 IOCs，并取得了 88% 以上的平均 F1 分数，优于其他序列标注模型。

Oct, 2018

该研究旨在实时追踪并监测加密货币新闻，利用机器学习模型预测其发布后前 24 小时在 Twitter 上被提及的数量，并比较了多种模型，其结果表明随机森林自回归模型在大多数情况下表现良好。

Mar, 2019

我们提出了一种使用机器学习和游戏化技术的意识系统，用于教育人们有关投资诈骗和陷阱的知识，旨在通过主动学习教育投资者来降低各国间的不平等，帮助监管机构确保一个公平、高效和包容的资本市场环境。

Aug, 2023

本文探讨了一种新的数据标记和数据收集模式，解决了评估高风险和低风险的两大难点。利用这种选择式的数据标记模式，以及最优实验设计方法构建了共 188 个样例和 24 个特征的模型。结果表明，在测试集上取得了 89% 的准确率和 93% 的 ROC 曲线下面积，对于银行反洗钱等工作有较强的实际应用价值。

Nov, 2018

社交媒体中，通过自然语言处理和机器学习相结合的方式来评估金融创作者的可信度，并提供准确的市场数据验证和连续的可信度评分，同时利用社交媒体指标和相关性分析来提供决策的自然语言解释。

Jun, 2024