专题一、文本分析总论与LLM技术基础
1.文本分析常用技术及学术应用场景：预处理与特征工程、分类与标注 、聚类与主题建模、情感/观点分析、语义相似度与匹配、语义网络分析、推理与知识图谱、摘要与信息提取。
2.基于Transformer架构的大语言模型概念
3.UTD24/FT50顶刊大语言模型文本分析应用总结
4.顶刊中大厂主流大模型特点及Python调用：ChatGPT、通义千问Qwen3、DeepSeek、百度ERNIE、LLaMA
5.Prompt工程技术：面向Python编程AI高质量输出技巧:Zero-shot、Few-shot、Chain-of-Thought
6.预训练模型特点对比及适用场景：BERT、Sentence BERT、Fin BERT、RoBERTa、DistilBERT、SciBERT、PatentSBERTa、HeBERT、text2vec-large-chinese
专题二、LLM赋能文本预处理与特征工程
1.中文文本预处理
（1）正则表达式文本清洗（去噪、归一化）
（2）分词技术与算法：Jieba和pkuseg、词性标注
（3）停用词表构建与去停用词、专有词典构建方法
2.特征工程方法
（1）传统特征：词袋模型（CountVectorizer）、TF-IDF加权（TfidfVectorizer）
（2）静态词嵌入：Word2Vec（gensim）、GloVe及学术应用
（3）Doc2vec句向量模型及学术应用
（4）动态上下文嵌入：BERT嵌入层提取与聚合策略
3.顶刊案例复现1：Word2ve拓展关键词；参考：陆瑶,施函青,周欣怡.中国企业数字技术风险暴露对企业价值的影响——来自大语言模型的文本分析证据[J].经济研究,2025,60(02):73-89.
专题三、LLM赋能文本分类与标注
1.文本分类技术基础
（1）传统分类器：朴素贝叶斯、SVM、逻辑回归（scikit-learn）
（2）基于Transformer的分类微调：Auto Model For Sequence Classification
2.LLM驱动的零样本/少样本分类：Zero-shot分类原理、Few-shot分类选择策略、
、In-Context Learning标签空间与输出格式约束
3.LLM赋能文本标注：LLM替代人工标注的可行性验证、批量标注Pipeline设计、标注指南系统提示词、主动学习
4.适合分类任务的模型简介：RandomForest、RoBERTa
5.顶刊案例复现2：识别专利摘要文本中内嵌数字知识的数字技术专利；参考：马述忠,张道涵,胡增玺.数字知识流动如何促进区域协调发展——兼论经济增长和平衡发展双重目标[J].中国工业经济,2025,(02):80-98.
专题四、LLM赋能文本聚类和主题建模
1.传统主题建模工具介绍
（1）LDA模型原理：文档-主题-词的三层贝叶斯生成过程
（2）gensim实现LDA：语料库构建、词典、模型训练、主题一致性（Coherence）评估
（3）主题聚类模型：基于K-Means等
2.DTM动态主题模型及应用流程：时间切片、主题演化状态转移矩阵、时序主题强度演变可视化
3.text2vec-large-chinese大模型简介：语义向量化能力
4.基于BERTopic的文本主题建模：核心架构、替换嵌入模型（如text2vec）、调整聚类参数、主题数量自动确定与层次化主题树，可视化
5.顶刊案例复现13：基于BERTopic实现计算社会科学主题发现；参考：Gupta P, Ding B, Guan C, Ding D. Generative AI: A systematic review using topic modelling techniques[J]. Data and Information Management, 2024, 8(1): 100066.
专题五、LLM赋能文本情感/观点分析
1.情感分析基础
（1）情感任务层级：文档级 / 句子级 / 方面级
（2）情感分析相关技术介绍：词典法SnowNLP、机器学习法、深度学习法
（3）情感强度与极性：细粒度情感标签（1-5星）
2.LLM赋能情感分析
（1）LLM Prompt直接推断情感极性及强度
（2）hugging-face Transformers、RoBERTa及微调BERT进行情感分析
（3）多智能体辩论框架提高情感分类一致性
3.顶刊案例复现4：大语言模型量化CEO短期与长期乐观倾向；参考：Jiayin Hu, Laura Xiaolei Liu, Chloe Yue Liu, Hao Qu, Yingguang Zhang, CEO turnover, sequential disclosure, and stock returns, Review of Finance, 2025;,rfaf015.
专题六、LLM赋能语义相似度与匹配
1.语义相似度计算技术
（1）传统文本相似度：Jaccard相似度、TF-IDF余弦相似度
（2）基于嵌入的语义相似度：Sentence-BERT、text2vec、OpenAI Embedding
（3）相似度度量：余弦相似度、欧氏距离、曼哈顿距离、点积
2. LLM增强的语义匹配：基于LLM的零样本语义相关性判定（二分类Prompt），大模型在不同数据集中匹配个体、地点、公司、组织、产品描述或学术论文等信息，大模型在记录连接方面表现出了巨大的潜力，以大语言模型完成大数据匹配任务：招聘数据与中国职业分类大典匹配为例进行讲解，参考（数量经济技术经济研究,2025）
3.检索增强生成（RAG）基础：RAG架构、向量数据库、语料分块策略
4.顶刊案例复现5：采用无监督词嵌入方法Sentence-BERT计算余弦距离；参考：Bao, Jiayi. "Do makerspaces affect entrepreneurship? If so, who, how, and when?."Strategic Management Journal46.2 (2025): 502-533.
专题七、LLM赋能语义网络分析
1.语义网络基础
（1）共词分析：构建词-文档矩阵、词对共现频次
（2）语义网络定义：节点（概念/实体）、边（语义关系、共现关系）
（3）网络属性测度：度中心性、中介中心性、接近中心性、聚类系数
（4）可视化工具：NetworkX、Gephi、Pyvis
2.LLM赋能语义网络构建
（1）基于静态词嵌入的词相似度网络：以Sentence-BERT计算词向量，阈值过滤构建边
（2）基于LLM的关系抽取网络：从文本中直接抽取实体-关系对构建知识网络
3.顶刊案例复现6：利用大语言模型为企业生成历史业务描述并构建商业关系网络；参考：Breitung, C., & Müller, S. (2025). Global business networks. Journal of Financial Economics, 166, 104007.
专题八、LLM赋能文本推理与知识图谱
1.文本推理基础
（1）自然语言推理（NLI）任务：前提-假设关系（蕴涵、矛盾、中立）
（2）基于Transformer的NLI模型：MNLI数据集微调的RoBERTa
（3）Chain-of-Thought（CoT）推理机制设计
2. LLM赋能知识图谱构建
（1）从非结构化文本中抽取实体和关系：Schema设计（实体类型、关系类型）
（2）基于LLM的结构化输出：JSON模式强制格式
（3）知识图谱存储与查询：Neo4j图数据库
3.顶刊案例复现7：通过大模型与思维链提示法（CoT）和检索增强生成（RAG）技术，识别复杂语境中隐含关系，转化为结构化知识图谱；参考：Kai Li, Feng Mai, Rui Shen, Chelsea Yang, Tengfei Zhang, Dissecting Corporate Culture Using Generative AI,The Review of Financial Studies, Volume 39, Issue 1, January 2026, Pages 253–296,
专题九、LLM赋能文本结构化信息提取
1.命名实体识别（NER）：传统CRF/BiLSTM vs. 基于BERT的微调NER
2.零样本NER：GLiNER框架原理与实现
3.关系抽取（RE）：基于Prompt的结构化输出、基于微调的分类方法
4.基于非结构化文本提取量化任意主题指标
5.顶刊案例复现8：用ChatGPT测量企业商业复杂度；参考：Bernard, D., Blankespoor, E., de Kok, T., & Toynbee, S. (2026). Using GPT to measure business complexity. The Accounting Review, 1-36.
专题十、大语言模型LLM文本处理SOP与答疑
1.大语言模型LLM文本处理思路和框架
2.实战应用答疑
