DLT-Corpus：分布式账本技术领域的大规模文本集合
计算与语言
2026-05-29 v2
摘要
我们介绍DLT-Corpus——目前为Distributed Ledger Technology（DLT）研究构建的最大规模领域特定文本集合：包含298亿个token，覆盖2212万个文档，包括科学文献（37,440篇出版物）、美国专利商标局（USPTO）专利（49,023件申请）以及社交媒体（2200万篇帖子）。现有的DLT自然语言处理资源仅聚焦于加密货币价格预测和智能合约，导致该领域的特定语言研究不足，尽管该部门约有3万亿美元的市值规模并正在快速技术演化。我们通过分析技术出现模式和市场创新相关性来展示DLT-Corpus的实用性。研究发现，技术首先出现在科学文献子集中，然后到达专利和社交媒体，遵循传统技术迁移模式。尽管社交媒体情感始终偏向乐观，即便在加密货币冬季期间亦如此，但科学和专利活动与短期情感关联性较弱，更多地追随整体市场扩张，形成一个以研究为先驱、驱动经济增长的良性循环，而增长所获经济利润又反哺后续创新。我们发布DLT-Corpus及伴随性制品：LedgerBERT（在DLT特定命名实体识别（NER）任务上超越BERT-base 23%）、包含23,301篇加密货币新闻标题和描述的情感分析数据集、工具以及代码。
引用
@article{arxiv.2602.22045,
title = {DLT-Corpus: A Large-Scale Text Collection for the Distributed Ledger Technology Domain},
author = {Walter Hernandez Cruz and Peter Devine and Nikhil Vadgama and Paolo Tasca and Jiahua Xu},
journal= {arXiv preprint arXiv:2602.22045},
year = {2026}
}
备注
Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26)