本文介绍了量子自然语言处理（QNLP）技术在情感分析中的应用，使用了 lambeq QNLP 工具包和 Cambridge Quantum（Quantinuum）的 $t|ket>$ 来实现，针对三种不同类型的模拟实现了完美的测试集准确性并在噪声量子装置上实现了尚可的准确性。

May, 2023

利用混合量子 - 经典机器学习算法，本文提出了一种用于情绪分析的方法，通过量子内核方法和变分量子电路分类器，结合主成分分析和 Haar 小波变换等经典降维技术，对英语和孟加拉语的两个数据集进行了评估，实验结果表明，在数据维度降低后，基于量子的混合算法表现一致且优于经典方法。

Oct, 2023

该硕士论文介绍了量子自然语言处理（QNLP）的实现细节，其中采用基于张量积的算法将表示单词含义的向量通过句子的句法结构进行组合，并应用于三种实际应用场景。

Feb, 2022

本文介绍了一种基于 DisCoCat 语言模型和量子计算的方法，实现了四类情感分析的任务，并证明了该方法具有良好的可扩展性。

Sep, 2022

本文主要介绍了如何利用多种数据挖掘技术和深度学习应用于金融文本处理场景，并且展示了如何使用自然语言处理（NLP）和知识图谱（KG）技术来从异构数据中识别金融风险和机会。

Apr, 2022

该研究针对金融领域进行了大规模语言模型（LLM）的适应性研究，并着重研究了金融情感分析，发现通过精细调整基础模型并结合金融文档和指令数据集，小型 LLM 在性能上与大型模型可媲美，而且在参数和数据方面更高效。此外，研究还展示了如何通过 LLM 生成人工指令以增加指令数据集的样本数量。

Jan, 2024

研究人员使用 DisCoCat 模型设计了一种基于量子计算机实现的支持向量机（SVM）的量子内核函数，该函数可以用于 NLP 任务并使用两种相似性度量来训练单词嵌入，结果表明第二种方法的测试精度最高，并且经 SWAP 测试后具有鲁棒性，有助于进一步研究我们提出的基于内核的 QNLP 范式。

May, 2022

在金融情感分析领域，传统的 NLP 模型受到参数大小和训练数据范围的限制，以及简洁的财经新闻文本缺乏上下文的问题，而无法很好地泛化和提高准确性。为了解决这些挑战，本研究引入了一种基于检索增强的大型语言模型（LLMs）框架，该框架包括一个指导调整的 LLMs 模块和一个从可靠外部来源检索附加上下文的模块。与传统模型和 ChatGPT、LLaMA 等 LLMs 相比，我们的方法在准确性和 F1 得分方面取得了 15％到 48％的性能提升。

Oct, 2023

本研究探讨了自然语言处理（NLP）与金融分析的交叉领域，重点关注情感分析在股价预测中的影响。我们使用先进的 NLP 技术 BERTopic 来分析从股市评论中得出的主题的情感。我们的方法将情感分析与深度学习模型相结合，这些模型以其在时间序列和股票预测任务中的有效性而闻名。通过全面的实验，我们证明了融入主题情感能够显着提高这些模型的性能。结果表明，股市评论中的主题提供了对股市波动和价格趋势的含蓄而有价值的见解。本研究通过展示 NLP 在丰富金融分析方面的潜力，为该领域做出了贡献，并为实时情感分析以及市场情感的情绪和情境方面的进一步研究开辟了道路。将 BERTopic 等高级 NLP 技术与传统金融分析方法相结合，标志着在开发更复杂的了解和预测市场行为工具方面迈出了一步。

Apr, 2024

本文介绍了使用嘈杂的中尺度量子设备进行自然语言处理（NLP）和过程生成的应用，探索设计用于句子生成的混合量子 - 经典算法，并提出实现及其在模拟和真实量子硬件上的成功应用，同时引入必要的 NLP 和量子计算背景知识。

Nov, 2022