本文介绍了 DICoE 团队在 FinSim-3 上的表现，采用金融本体学科分类术语，采用逻辑回归分类器、词嵌入和多种手工特征，生成从金融文本中提取的词表示，最佳排名为排名第四。

Sep, 2021

本文介绍了解决金融领域中上下位词和同义词匹配问题的系统，使用了各种基于 transformer 的预训练嵌入方法，并从不同数据源对所提供的数据集进行增强，其中表现最佳的模型结合了 FinBERT 和数据增强的方法，最终准确率达到 0.917，排名第 1.156。

Jul, 2021

本文提出一种使用 FinBERT 和 FIBO 等金融文本语料库进行训练的系统，可提取和排名给定金融术语的超义词，通过使用负样本和基于 FIBO 的层次结构增强了训练集的新方法，并通过与现有系统的性能基准进行比较，证实它的表现更佳且可扩展。

Mar, 2023

Trading Central Labs 和 La Rochelle 大学的 L3i 实验室在 ESG 领域上的合作中，基于预训练的 BERT 和 RoBERTa 模型，提出了对 Fortia ESG 分类体系的新条目和 ESG 相关句子的分类方法。该方法在两个子任务中均取得了显著的性能提升，并跻身最佳系统之一。

Jul, 2022

本文探讨了基于词嵌入的体系结构在预测自然语言句子中两个财务实体之间的关联角色方面的应用，使用 skip-gram word2vec 体系结构训练词嵌入，并用机器学习分类器进行测试数据上的上下文角色相关性预测。

Apr, 2017

介绍了金融领域特定的 NLP 任务 —— 金融语义相似性（Financial-STS）任务，该任务的目的是评估金融报告对比中的细微语义差异，以帮助金融决策，发现现有的预训练嵌入模型和 LLM 嵌入不足以区分这些细微的金融故事变化，因此提出了一种 LLM 增强的针对金融 - STS 任务的流程，通过在人工标注数据集上进行评估，证明我们的方法胜过在经典 STS 任务和通用 LLM 嵌入上训练的现有方法。

Mar, 2024

研究利用基于微调词嵌入和主题相似性的多个语义相似性特征寻找社区问答系统中的满意答案，其主要提交结果在 SemEval-2016 社区问答任务 3 的不同子任务中排名第三。

Nov, 2019

本研究提出一种针对任何特定领域搜索引擎的框架来计算给定输入查询和一组预定义问题之间的相似度，使用 Siamese 网络和 LSTM 模型训练分类器来生成未归一化和归一化的相似度分数，并结合两种词向量和自定义模糊匹配分数等三种其他相似度得分计算的元分类器，在 Quora 问题对（QQP）数据集以及特定于金融领域的数据集上进行性能测试。

Jan, 2021

本文探讨了在新闻标题中进行细粒度金融情感分析的任务和挑战，提出 SAEntFiN 1.0 数据集，并使用特征为基础的方法提取实体相关情感。使用 12 种不同的学习方案验证实验结果，RoBERTa 和 finBERT 的平均准确率和 F1 分数最高，同时使用 210,000 多个实体情感预测验证了情感对市场的影响。

May, 2023

本文介绍了一种基于注意力机制的循环神经网络模型，该模型在 2017 年 SemEval 跨语言语义文本相似度（STS）任务中取得了竞争性表现（前六名），并描述了我们参加跨语言 STS 任务的情况，该任务涉及英语、西班牙语和阿拉伯语的相似度比较。

Mar, 2017