本研究提出了一种基于终身学习和多语言知识转移的新型假新闻检测方法，该方法利用传统特征提取器和深度自然语言处理模型结合多层感知器分类器，可以在英语和西班牙语数据集上提高假新闻分类任务的性能。

May, 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

应用自然语言处理（NLP）技术在金融风险检测方面的研究，构建了一个基于 NLP 的金融风险检测模型，旨在识别和预测金融文件和通信中的潜在风险。通过实证研究验证，该模型在风险识别和预测方面表现出色，并为金融机构提供有效的风险管理工具。该研究利用先进的 NLP 技术，为金融风险管理领域提供了有价值的参考，提高了风险检测的准确性和效率。

Jun, 2024

本文介绍了基于 Bert 和 RoBERTa 等语言模型的文本分类模型，并采取差分隐私和联邦学习等隐私保护措施进行训练，以应用于敏感金融领域的实体检测和情感分析等自然语言处理任务，同时研究了隐私度与模型效用之间的平衡问题。

Oct, 2021

该研究通过比较分析机器学习和基于 Transformer 的方法在欺诈性文本分类中的效果，使用包含欺诈性和非欺诈性文本的标记数据集进行训练和评估，并对不同方法的性能指标进行了广泛实验比较，揭示了机器学习和基于 Transformer 的方法在欺诈性文本分类中的优势和局限性，帮助研究人员和从业者在处理欺诈内容时做出明智决策。

Aug, 2023

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

本论文提出了基于 RNN 和 MTF 结构的深度学习框架，利用客户在网站或智能手机应用程序上的交互行为序列进行在线欺诈行为预测。实验结果表明，相较于多层感知机网络和动态时间规整距离法作为距离度量的距离分类器，该网络结构可显著提高欺诈预测性能。

Aug, 2018

将计算技术与人文学科相结合是一项不断努力的工作，旨在使文本、图像、音频、视频和其他人工制品等资源能够以数字化形式进行存储、检索和分析。本文分析最近文献中多种人文学科研究的使用案例，探讨了人文学科研究中采用深度学习方法面临的训练数据和领域适应性方面的挑战，并提出了实用的决策模型，以指导人文学科专家在何时以及如何选择合适的深度学习方法进行研究。此外，本文旨在提高人文学科社区对于利用深度学习模型的收益的认知。

Jul, 2023

通过深度学习模型，分析加拿大金融规定文件数据集（SEDAR），预测交易量变化，探究金融市场行为，并发现模型能够在不需要显式训练的情况下，探测到重要信息的指示。

Mar, 2022

使用深度学习和变换器架构结合经典机器学习算法以检测和识别文本中的异常，将所有文本上下文转换为数字表示。

Nov, 2022