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

本文研究了基于自然语言处理技术对 ESG 文本进行分类的方法，通过对 BERT 模型进行细调，建立了一个 ESG 领域专用的预训练模型，并在环境类别的分类任务中取得了优于原 BERT 模型和基准模型的准确率。

Mar, 2022

本研究提出了一种适用于金融文本的多标签主题模型，使用新的金融多标签数据库进行训练，并通过分析股市反应来研究不同主题之间的差异以及协同出现主题对股市反应的影响，模型的最佳表现可达到超过 85% 的宏观 F1 得分。

Nov, 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

近十年来，随着投资者对环境、社会和公司治理（ESG）问题日益关注，一些监管机构开始要求上市公司披露非财务信息。本文利用大型语言模型和信息提取技术，从非结构化的多模态文档中提取语义结构化信息，并采用基于图的表示方法进行相关分析，揭示不同行业间的突出可持续行动和公司、部门以及区域层面的相似性和披露模式，最终通过研究发现和其他公司信息，探讨影响公司 ESG 评分最显著的实际因素。

Oct, 2023

该研究探究了如何通过提示、思维链推理和动态上下文学习等策略，引导 GPT-4 等先进语言模型与未知的环境、社会和治理（ESG）评估准则保持一致，展示了语言模型在金融下游任务中的潜力和培训免费解决方案的机会。

Mar, 2024

在环境、社会和公司治理（ESG）影响评估不断变化的格局中，该研究提出了识别 ESG 影响类型的 ML-ESG-2 共享任务，并呈现了一种利用集成学习技术的综合系统，利用早期和晚期融合方法。通过四个不同的模型（mBERT、FlauBERT-base、ALBERT-base-v2 和包含潜在语义分析（LSA）和词频逆文档频率（TF-IDF）特征的多层感知器（MLP）），通过广泛实验发现，我们的早期融合集成方法，包括 LSA、TF-IDF、mBERT、FlauBERT-base 和 ALBERT-base-v2 的集成，具有最佳性能。我们的系统为 ESG 影响类型的识别提供了全面的解决方案，为当今金融和公司治理环境中的负责任和可持续决策过程做出了贡献。

Feb, 2024

本文研究使用多种技术手段和模型，实现在英文和法语子任务中以高精度识别新闻文章中的 ESG 问题，并获得优异的表现。结果突显了应用先进的语言模型技术在获取跨语言 ESG 问题方面的潜力。

Jun, 2023

金融情感分析是将金融文本内容分类为情感类别（如积极、消极和中性）。本文聚焦于金融新闻标题的分类，通过利用预训练的大型语言模型以及监督微调技术，实现在少量训练样本情况下显著超越之前最先进的算法。

Jan, 2024

本研究利用 BERT 语言模型探索了多种策略，用于准确分类新闻文档至 35 个不同的 ESG 问题类别，结果显示 RoBERTa 分类器在英文测试数据集中位居第二，并在法语测试数据集中与其他模型并列第五，此外，我们针对中文设计的基于 SVM 的二元模型在测试数据集中展现了优异的性能，位居第二。

Sep, 2023