CN104137128B - 用于使用数据和情绪分析来生成绿色分数的方法及系统 - Google Patents

用于使用数据和情绪分析来生成绿色分数的方法及系统 Download PDF

Info

Publication number
CN104137128B
CN104137128B CN201280070735.0A CN201280070735A CN104137128B CN 104137128 B CN104137128 B CN 104137128B CN 201280070735 A CN201280070735 A CN 201280070735A CN 104137128 B CN104137128 B CN 104137128B
Authority
CN
China
Prior art keywords
green
score
mood
risk
entity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201280070735.0A
Other languages
English (en)
Other versions
CN104137128A (zh
Inventor
S.L.安德鲁斯
P.达姆
D.弗雷内特
S.乔扈里
R.罗德里格斯
A.加纳帕姆
F.施尔德
J.L.莱德纳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Financial and Risk Organisation Ltd
Original Assignee
Thomson Reuters Global Resources ULC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Thomson Reuters Global Resources ULC filed Critical Thomson Reuters Global Resources ULC
Publication of CN104137128A publication Critical patent/CN104137128A/zh
Application granted granted Critical
Publication of CN104137128B publication Critical patent/CN104137128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种新闻/媒体分析系统（NMAS），其被适配成尽可能接近实时地自动处理和“阅读”由新闻/媒体全集所表示的来自博客、twitter和其他社交媒体源的新闻报道和内容。对诸如绿色评分/复合模块以及情绪处理模块之类的定量分析、技术或数学进行处理，以得到绿色分数、绿色认证、和/或对财经证券的价值进行建模，包括生成绿色分数、绿色合规性认证、以及复合环境或绿色索引。NMAS自动处理新闻报道、申报、新/社交媒体和其他内容并且针对所述内容应用一个或多个模型，以确定绿色评分和/或预期股票价格和其他投资媒介物的行为。NMAS利用传统并且特别是社交媒体资源来提供一种用于对公司的“绿色性”进行评分的基于情绪的解决方案。

Description

用于使用数据和情绪分析来生成绿色分数的方法及系统
技术领域
本发明总体上涉及财经服务，并且涉及从传统新闻源和新/社交媒体源以及其他内容源挖掘信息，以辨识情绪和预测针对定价和推荐的行为。更具体来说，本发明提供使得能够对如由传统和新媒体所感知的和/或用于生成复合“环境”索引的公司和相关联的风险领域的“绿色性”以及预测性企业估价行为进行测量和/或评分的智能分析法。本发明提供一种动态工具，其利用机器学习能力、新闻情绪专长和智能分析法来提供用于对私有和公开交易的公司的环境和可持续性情绪定基准的服务。
背景技术
随着印刷机、排版、打字机、计算机实现的字处理和大容量数据存储的出现，人类所生成的信息量引人注目地并且以不断加快的速度增多。近来，包括“社交媒体”的较不正式的内容源已变得越来越盛行。如与其中实质上是被动（内容被阅读）的传统媒体相对，社交媒体更交互、即时并且常常导致更快的响应或反应时间。作为结果或增长和多样化的信息源，存在针对如下持续的并增长的需要：收集和存储、标识、跟踪、分类和编目、以及对该增长的信息/内容的海洋进行处理并且递送价值增加的服务，以促进对从此类信息导出的数据和预测性模式的明智的使用。对于例如因特网之类的高速网络的发展、广泛部署和可访问性，存在针对适当且高效地处理在此类网络上可获得的数量不断增多的内容以帮助决策制定的增长的需要。特别地，存在针对如下的需要：快速地处理与当前事件相关的信息以使得能够根据当前事件或相关情绪的影响制定明智的决策，并且考虑此类事件和情绪对所交易的证券或其他供应品的价格可能具有的影响。博客、维基、论坛、聊天室和社交媒体的广泛可用性和访问使得越来越多的信息收受者能够表达关于人、公司、政府和商业产品的意见。对于信息的实际上即时和同时的访问能够提高事件与股票价格之间的相关性。
在包括财经服务业在内的许多领域和行业中，例如存在内容和增强体验提供商，诸如The Thomson Reuters Corporation、Wall Street Journal、Dow Jones NewsService、Bloomberg、Financial News、Financial Times、News Corporation、Zawya、NewYork Times。此类提供商标识、收集、分析和处理关键数据，以供用于生成供相应行业内所涉及的专业人士和其他人士（例如财经顾问和投资者）消费的诸如报告和文章之类的内容中。采用内容递送的一种方式，这些财经新闻服务提供实时和归档这二者的财经新闻馈送，其包括投资者所感兴趣的针对近来发生的事件而写的文章和其他报告。这些文章和报告中的许多当然以及潜在事件对与公开交易的公司相关联的交易股票价格可能具有可测量的影响。尽管本文常常就公开交易股票（例如在诸如NMASDAQ和纽约股票交易所之类的市场上交易的）方面进行讨论，但是本发明不限于股票并且包括对其他形式的投资和证书的应用。各行各业中的专业人士和提供商持续寻求增强向订户、客户和其他顾客提供的内容、数据和服务的方式，并且寻求在竞争当中脱颖而出的方式。此类提供商致力于创建并且提供包括搜索和排名工具的增强工具，以使得客户能够更高效并且有效地处理信息以及做出明智的决策。
包括数据库挖掘和管理、搜索引擎、语言识别和建模的技术方面的进步提供了用以搜索和处理大量数据和文档（例如新闻文章、财经报告、博客、SEC和其他所要求的企业公开、法律判决、法令、法律以及规章的数据库）的越来越精密的方法，其可能会影响经营业绩并且因此影响与由此类股权所构成的股票、证券或基金相关的价格。投资和其他财经专业人士以及其他用户越来越依赖于数学模型和算法来做出专业和经营决定。特别在投资领域中，提供对与企业业绩相关的（准确）新闻和其他信息的更快访问和处理的系统将是专业人士的高度有价值的工具，并且将导致更明智、并且更成功的决策制定。
许多财经服务提供商使用“新闻分析”或“新闻分析法”来向订户和顾客提供增强的服务，所述“新闻分析”或“新闻分析法”指的是包含并且涉及信息检索、机器学习、统计学习理论、网络理论以及合作过滤的广阔领域。新闻分析法包括被用来领悟、概括、分类以及以其他方式分析信息源（常常是公开的“新闻”信息）的技术、公式和统计学以及相关的工具和度量的集。新闻分析法的示例性使用是领悟（即阅读和分类）财经信息以确定与此类信息相关的市场影响同时规范化针对其他效果的数据的系统。新闻分析指的是测量和分析文本新闻报道的各种定性和定量的属性，诸如出现在正式的基于文本的文章中以及出现在诸如博客和其他在线媒介物之类的较不正式的递送方式中的属性。更特别地，本发明关注电子内容的上下文中的分析。属性包括：情绪、关联性和新颖性。把新闻报道表达或表示为“数字”或其他数据点使得系统能够将传统的信息表达变换成可更容易分析的数学和统计表达。新闻分析技术和度量可以被用于财经上下文中，并且更特别地用于过去的和预测性的投资业绩的上下文中。
新闻分析法系统可以被用来测量和预测以下各项：收益、股票估价、市场的不稳定性；新闻影响的撤销；新闻与留言板信息的关系；用于预测负回报率的年报中的风险相关的词语的关联性；情绪；新闻报道对股票回报率的影响；以及确定新闻中的乐观性和悲观性对收益的影响。新闻分析法可以以三个级别或层来查看：文本、内容和上下文。许多努力集中于第一层——文本，即基于文本的引擎/应用对新闻的原始文本成分进行处理，即词语、短语、文档标题等等。文本可以被转换或利用成附加的信息，并且不相关的文本可以被丢弃，从而使其浓缩成具有较高关联性/有用性的信息。第二层（内容）表示文本的丰富性，其中能够由分析法进一步利用附加有例如质量和真实特性的更高的意义和重要性。文本可以被划分成“事实”或“意见”表达。新闻分析法的第三层（上下文）指的是信息项目之间的连通性或关系性。上下文还可以指的是新闻的网络关系。例如，Das和Sisk（2005）文章审视留言板帖子的社交网络，以确定是否可以基于股票之间的网络联系来形成资产组合规则。
在基于文本、内容和上下文来处理新闻报道之后，投资者和财经服务中所涉及的那些期望理解此类大量信息（甚至经处理的信息）如何与公司的股票价格的可能变动相关。通常所使用的与公司风险相关的术语和测量形式是“Alpha”。如本申请中使用的，“Alpha”表示经风险调节的基础上的业绩的量度。例如，Alpha考虑证书（instrument）、股票、债券、共同基金等等的不稳定性（即价格风险），并且把经风险调节的业绩与另一业绩测量（例如基准或其他索引）进行比较。如与基准的回报率（例如索引）相比，投资媒介物（例如共同基金）的回报率就是投资媒介物的Alpha。此外，Alpha可以是指超过将通过均衡模型（像资本资产定价模型）所预测的情况的证券或资产组合的异常回报率。Alpha是五个被广泛考虑的技术风险比率之一。除了Alpha之外，在现代资产组合理论中所使用的其他技术风险因素统计测量包括：beta、标准偏差、R平方和Sharpe比率。这些统计风险指示符被投资企业用来确定股票、债券或者诸如共同基金之类的其他基于证书的投资媒介物的风险-报酬概况。例如在共同基金的情况下，正或负1.0的Alpha意味着该共同基金的业绩比其基准索引分别胜过正或负1%。相应地，如果资本资产定价模型分析基于资产组合的风险而估计该资产组合应当收益10%并且该资产组合实际收益15%，那么该资产组合的Alpha将是正5%，并且表示超出模型分析中所预测的情况的超额回报率。
特别地，如其涉及本发明，来自政府管理机构和日益有“绿色”意识的公众的渐进的压力已经导致感兴趣的各方（例如投资界和财经服务行业中的其他各方）针对用以评价公司/投资的“绿色性”的程度（或者绿色分数或因数）和/或环境合规性以及用以管理风险承担的关键领域的新工具的日益增长的需求。关注绿色/环境投资的投资企业和管理者需要一种解决方案，其提供关系到公司的绿色性和/或环境合规性的信息以及用于对其进行评价的工具。本文所使用的“绿色性”指的是公司的产品、制造、分发、包装或其他企业实践，如其涉及公司及其产品的环境影响。例如，产品的绿色分数可以考虑如下内容：包括在产品中的再循环材料的使用、操作产品所需的能量的量、产品的电磁效应，以及产品发出的有害排出或污染的量。国家和地区已经颁布了关系到产品操作以及此类产品的处置、回收和处理的立法、规章、认证和标准以及其他要求（例如RoHS（EU））。某些制造过程和材料已被发现具有有害的环境影响，并且受到限制或管制。某些实践已被发现会促进或满足环境可持续性。在操作中，公司可能会“无纸化”，并且可以在其设施中包括环境友好的材料和系统。通过允许员工在家中工作可以促进减少对通勤的负担、减少自然资源的消耗以及减少有害的排放。
除了投资考虑之外，企业越来越觉知并且聚焦于结合治理、风险和合规性（GRC）、企业社会责任（CSR）倡议以及环境社会治理（ESG）倡议来进行绿色投资。需要的是一种解决方案，其有助于此类公司评价和跟踪其绿色投资和努力的有效性和业绩。需要的是一种工具，其有助于管理市场以及由于负面趋势导致的声誉风险并且证明与一些绿色/社会标准的某一级别的一致性。此外，管理机构和其他机构需要一种解决方案，其有助于他们在辩论、提议和颁布有影响力的绿色立法时标识和管理潜在热点，诸如具有环境关注的话题或地理区域。
绿色相关的行为可能具有对各种问题的严重影响，从而直接和间接地影响企业、市场索引以及股权、债券等等的投资者。绿色相关的事件影响估价和行为的近期示例是发生在墨西哥湾的Louisiana海岸的离岸钻井平台的爆炸，并且从而导致石油泄漏灾难。该事件很大地影响了若干实体的财经业绩，包括公开交易的British Petroleum（“BP”）。该灾难的新闻具有使得BP普通股在灾难当天以及随后的几天急剧下跌的立即影响。除了与资产损失、石油清理成本、受到泄漏的有害影响的人们提出的赔偿要求之外，BP还遭受到作为结果的政治和社会附带后果。Exxon Valdez油轮搁浅以及作为结果的泄漏是另一个此类示例。虽然存在许多组织跟踪此类事件并且可能保存表示相对业绩的公司记分卡，但是并不存在高效地监视事件并且向投资者提供关系到此类事件可能如何影响企业业绩（例如股票价格）的同时信息的系统。
随着投资企业和管理者驱动针对绿色分析法的大部分增长并且具有最高预计需求，“绿色分析法”空间很丰富并且正在快速增长。绿色分析法空间内的现有产品通常落在三个类别之下：ESG风险解决方案、主题索引和基准、以及声誉监视。空间内的一个提供商是RiskMetrics/KLD，其专攻基于web（网络）的研究服务以及主题索引和碳分析法。财经服务公司通过索引和基于web的研究平台提供ESG产品。Societe General例如提供涵盖从人权到CSR的各种问题的主题索引。诸如FTSE、Dow Jones和Calvet Investments之类的其他参与方提供投资者可以用于定基准和资产组合构造的环境索引。在声誉监视空间内，诸如RepRisk和Factiva Insight之类的公司提供通过web部署的工具，其可以是基于广泛的智能或者是集中的，例如品牌风险，如其涉及环境问题。可以使用第三方源，以使得视觉地处理并且通过web部署分析者情绪，从而允许顾客按照企业和行业来监视负面绿色新闻。
所有这些努力都存在缺点，包括遮蔽面向绿色的产品的固有冗余性。用以测量公司的绿色性的这些努力损害在于它们使用从其导出各项度量的相同源（即第三方研究、企业申报、规章）。此外，评定是由分析师进行的并且高度依赖于公开申报和二级研究的时间性，类似于与实时信用违约互换曲线竞争的信用评级机构所面对的困境。
当前，尽管存在不同的部署方法和视觉化，但是顾客面对基本上提供相同的人类驱动的研究工具的产品市场。服务于有绿色意识的零售和机构投资者的资产管理者可能发现难以利用这些工具来实现其投资绿色公司的委托，并且可能更重要地向其顾客传达这些投资的价值。近期由苏黎世大学进行的研究突显了该困境。使用来自RepRisk的ESG数据，所述研究将绿色基金的可持续性与常规股权基金的可持续性进行了比较。
这些工具主要由相同的源来驱动并且基本分析意味着其能够产生不完全捕获与作为绿色相关联的感知的类似结果。可商榷的是，这些工具忽略了来自将巨大价值添加到决策制定的非传统源的潜在趋势。
相同的想法容易适用于企业和管理机构。面对针对监视其品牌以及管理由于较差CSR业绩和不良公关而导致的声誉风险的需要，企业需要一种定期更新并且采用系统方式利用大量新媒体的工具。更重要的是，其需要一种捕获其他产品所缺失的感知元素的工具。同时，管理机构现在的任务不仅是以行业级别而且以企业级别管理环境热点，特别是在所讨论的公司接受公共基金以供投资的情况下。
需要的是一种系统，其能够自动处理或“阅读”其可获得的新闻报道、申报、新/社交媒体和其他内容并且快速地解释所述内容以得到对评定（私有或公共）实体的环境影响更高的理解。此外还需要创建和应用预测性模型，以基于实体的环境影响来在股票和其他投资的实际变动之前预期所述股票价格和其他投资媒介物的行为。当前，存在针对如下内容的需要：使用和利用传统的并且特别是新媒体资源和趋势以及满足顾客对于与企业业绩、价格行为、投资和声誉觉知相关的先进分析法的需求，以提供一种基于情绪的解决方案，其将常规工具的范围扩展为包括社交媒体和在线新闻。
发明内容
本发明使用和利用新媒体资源和趋势来满足顾客对于与ESG委托、绿色投资和声誉觉知相关的先进分析法的需求。对于环境问题，社交媒体的影响越来越大。随着碳立法的公布以及朝向“绿色性”的全球文化的商业化，新媒体对环境和社会治理的影响将随着时间而增大。本发明在其实施例中提供了一种绿色情绪解决方案，其把常规工具的范围扩展为包括社交媒体和在线新闻，以生成并呈现增强的工具、内容和解决方案。本发明通过简单的分数来提供实体的环境行为的指示，所述分数可以是负的或正的并且随着时间演进。智能分析法允许顾客测量由常规的且新的媒体所感知的企业的“绿色性”。该解决方案聚合来自多个源、包括社交媒体内容的私有和公共的内容。分类法被调谐成将主题、文本、短语、语句、评论和其他内容理解为具有或不具有绿色或环境含义。结果可以采取以下各项中的一个或多个的形式：绿色分数、复合环境或绿色索引、以及绿色企业认证或分类。
在一个实现中，本发明提供一种新闻/媒体分析系统（NMAS）以及相关的方法，其被适配成尽可能接近实时地自动处理和“阅读”来自博客、twitter（推特）和其他社交媒体源的新闻报道和内容。本发明结合计算机科学采用定量的分析、技术或数学来得到绿色分数、绿色认证、和/或对财经证券的价值进行建模，包括生成复合环境索引。本发明提供一种用于自动处理或“阅读”新闻报道、申报、新/社交媒体和其他内容并且用于针对所述内容应用预测性模型以预期股票价格和其他投资媒介物的行为的系统。NMAS利用传统并且特别是新媒体资源来提供一种将常规工具的范围扩展为包括社交媒体和在线新闻的基于情绪的解决方案。
作为针对传统媒体源和递送手段的添加以及在某些方面作为其替代，“社交媒体”添加了远远超出常规的媒体形式的信息共享和收集的新级别。不受传统模型和工作流程的限制，博客和其他社交媒体形式已成为实时新闻和情况更新的非常容易访问并且范围广泛的源。在投资前线，像Seeking Alpha之类的新兴企业以及传统的财经新闻提供商正以索引比率走向博客圈和社交媒体。博客和其他新媒体已经成为投资建议的最重要源，并且对于一些而言超越传统源。“社交媒体”或社交网络源指的是非传统的、常常是较不正式的内容递送形式，并且包括交互式的源于用户或群众的数据和内容。社交媒体的示例包括：新闻网站（reuters.com、bloomberg.com等等）；在线论坛（livegreenforum.com）；政府机构的网站（epa.gov）；学术机构、政党的网站（mcgill.ca/mse、www.democrats.org等等）；在线杂志网站（emagazine.com/）；博客网站（Blogger、ExpressionEngine、LiveJournal、Open Diary、TypePad、Vox、WordPress、Xanga等等）；微博客网站（Twitter、FMyLife、Foursquare、Jaiku、Plurk、Posterous、Tumblr、Qaiku、Google Buzz、Identi.ca Nasza-Klasa.pl等等）；社交和专业人士联网站点（facebook、myspace、ASmallWorld、Bebo、Cyworld、Diaspora、Hi5、Hyves、LinkedIn、MySpace、Ning、Orkut、Plaxo、Tagged、XING、IRC、Yammer等等）；在线宣传和筹款网站（Greenpeace、Causes、Kickstarter）；信息聚合商（Netvibes、Twine等等）；以及Twitter。
采用一种方式，对于实体的环境行为敏感的私人投资者可以使用本发明来监视和收集来自社交媒体的信息，所述信息在监视传统的“主流”或常规媒体时将不可采用其他方式从其获得或者至少滞后。随着新社交媒体的越来越广泛的采用，此类源正日益成为“主流”。此外，本发明可以被用来聚合来自若干社交媒体内容生产者的内容，以证实、验证或者以其他方式强化所收集的信息。
NMAS可以包括情绪处理，以便处理新闻/媒体信息，并且向与一个或多个公司相关的新闻/媒体项目指派“情绪分数”。所述分数可以从来自新闻/媒体的文本和元数据导出，并且可以对经处理的文本/元数据应用预定义的或者所学习的基于词典的和/或情绪模式。NMAS可以包括训练或学习模块，其根据某些事件对过去的新闻/媒体以及作为结果的相关股票价格的响应进行分析，来构建用以在给定某些类型的新闻或事件的情况下预测股票行为的模型，其中包括与绿色或环境事件、凭证、立法等等相关的那些新闻或事件。
采用一种方式，本发明可以被用来将传统且新的媒体内容源处理为确定或表示“绿色性”或复合环境索引的上下文中的“Alpha”的源。在示例性的实现中，由传统财经服务公司运营的NMAS可以应用针对预测性模型的内部文本源和外部源，以得到预期的市场相关的行为。硬事实和情绪被视为驱动绿色评分和/或复合环境索引的因素。NMAS新闻/媒体情绪分析和绿色评分增强了投资和交易策略，并且导致明智的交易和投资决策。
此外，本发明可以被用来生成具有环境意识或者环境友好的公司的分类系统，其充当用于绿色投资的分类系统。本发明可以被用来将一家公司分类或认证为“绿色合规”，以及用来创建由已经获取绿色认证的公司所构成的“绿色情绪索引”。绿色索引有可能吸引投资者对促进环境负责任的业务感兴趣。
不像依赖于由分析师处理的周期性研究的其他方法，本发明持续处理媒体馈送并且产生信息和数据流，所述信息和数据流捕获日常趋势以及允许用户（例如顾客）访问一系列内容的门户和智能警报的附加价值。随着绿色或环境相关的新闻和社交媒体内容增多，媒体服务公司将利用例如Thomson Reuters Markets之类的跨广阔供应品平台的产品和服务。本发明使得公司能够把跨分区的供应品相联系，并且加速绿色分析法空间的市场占有率渗透。
本发明可以被用来随着时间跟踪“绿色”情绪，以提供对于公司相关的新闻/媒体评论的分析，以及用以基于绿色或环境问题引导交易和投资决策的工具和分析法。本发明可以由利用语言学技术的自然语言处理来激励。本发明提供支持人类决策制定、风险管理和资产分配的定量“绿色”策略。本发明可以被用于做市（market making）中、用于资产组合管理中以通过对资产组合情绪定基准以及计算业界加权来改善资产分配决策、用于预报股票、业界和市场前景的基础分析、用于风险管理以更好地理解针对资产组合的异常风险并且以发展潜在的情绪防护，并且以跟踪并对公众感知和媒体覆盖定基准以及对于竞争者也这样做。
在第一实施例中，本发明提供一种。一种计算机实现的方法，包括：标识将向其指派绿色分数的实体；基于社交媒体信息集来计算绿色分数；以及传送该绿色分数。社交媒体信息集可以与所标识的实体相关联，所述实体与交易证券相关联，所述社交媒体信息集表示关系到所述实体的绿色信息，并且所述绿色分数表示所述实体的绿色性属性。所述方法还可以包括：基于附加的社交媒体信息集随时间修改所述绿色分数，以及传送经修改的绿色分数。计算绿色分数可以包括至少部分地基于所述社交媒体信息集来确定情绪分数，并且其中所述绿色分数表示绿色情绪分数。所述方法还可以包括：至少部分地基于绿色分数来将所述实体认证为绿色合规的；针对第二所标识的实体执行步骤（a）-（c）导致第二绿色分数，并且其中传送绿色分数包括传送包括反映所述绿色分数和第二绿色分数的数据的数据馈送；至少部分地基于所计算的绿色分数的值来生成关系到所述实体的警报信号；和/或在从社交媒体集接收的内容集中标识文本，所述文本被标识为表示所述实体，并且还包括从所述内容集提取被标识为表示与所述实体的绿色性相关的情绪的另外的文本。内容集中的所标识的文本可以包括以下各项中的一个或多个：标识所嵌入的元数据或其他描述符；处理文本、词语、短语；应用自然语言语言学分析；应用贝叶斯技术。所述方法还可以包括聚合来自多个源的内容集，所述多个源包括至少一个社交媒体源和来自包括以下项的组中的至少一个附加的源：新闻网站（reuters.com、bloomberg.com等等）；在线论坛（livegreenforum.com）；政府机构的网站（epa.gov）；学术机构、政党的网站（mcgill.ca/mse、www.democrats.org）；在线杂志网站（emagazine.com）；博客网站（Blogger、ExpressionEngine、LiveJournal、Open Diary、TypePad、Vox、WordPress、Xanga）；微博网站（Twitter、FMyLife、Foursquare、Jaiku、Plurk、Posterous、Tumblr、Qaiku、Google Buzz、Identi.ca、Nasza-Klasa.pl）；社交和专业人士联网站点（facebook、myspace、ASmallWorld、Bebo、Cyworld、Diaspora、Hi5、Hyves、LinkedIn、MySpace、Ning、Orkut、Plaxo、Tagged、XING、IRC、Yammer）；在线宣传和筹款网站（Greenpeace、Causes、Kickstarter）；信息聚合商（Netvibes、Twine等等）；Facebook；以及Twitter，所述内容集包括所述社交媒体信息集。所述方法还可以包括：标识要与复合索引相关联的公司集，所述公司集包括所述实体并且与证券集相关联；至少部分地基于所述社交媒体信息集来生成针对所述证券集的复合环境索引；以及传送与所述复合环境索引相关联的信号。所述复合环境索引至少部分地基于与所述公司集相关联的绿色分数集来确定，并且所述绿色分数可以被实时地生成和/或被得到是基于以下正面准则中的一个或多个：产品或制造环境相关的合规性或认证；能量效率；促进环境管理工作、消费者保护、人权和多样性的企业实践，在绿色技术、能量高效技术、替代燃料技术、可再生资源技术中所涉及的业务/产品，和/或基于以下负面准则中的一个或多个：在酒、烟草、赌博、武器和/或军事方面所涉及的业务，以及环境标准不合规的业务。所述实体与市场上交易的证券相关联，并且还包括应用预测性模型以得到与所述证券相关联的预测行为。所述方法还可以包括：生成预测行为的表达和/或要根据所述预测行为而采取的建议动作。所述建议动作涉及关系到所述证券的交易决策，并且是由买入、卖出或持有构成的组中的一项。所述社交媒体信息集基于时间价值来标识。所述方法还可以包括：生成表示潜在风险的风险信号；在计算设备上提供风险指示模式集；以及通过使用至少部分地基于所述风险指示模式集的风险标识算法来在所述社交媒体信息集内标识与所述实体相关联的潜在风险集；把所述潜在风险集与所述风险指示模式进行比较，以获得先决条件风险集；生成表示所述先决条件风险集的信号；以及把表示所述先决条件风险集的信号存储在电子存储器中。所述方法还可以包括：针对实体集重复步骤（a）-（c）导致针对所述实体集中的每个实体所计算的绿色分数；标识绿色分类；以及至少部分地基于相应的实体绿色分数针对包括在所述分类中从所述实体集选择实体。所述分类可以涉及将公司认证为绿色合规的，并且其中所选择的实体中的每个被认证为绿色合规的。
在第二实施例中，本发明提供一种基于计算机的系统，包括：被适配成执行代码的处理器；用于存储可执行代码的存储器；被适配成接收与将向其指派绿色分数的实体相关联的社交媒体信息集的输入；被适配成由处理器执行的绿色分数模块，并且所述绿色分数模块包括可由处理器执行以基于社交媒体信息集来计算绿色分数的代码；以及被适配成传送与所述绿色分数相关联的信号的输出。
附图说明
为了促进全面理解本发明，现在参照附图，其中利用相似的附图标记指代相似的元件。这些附图不应当被解释为限制本发明，而是意图为示例性的并且用于参照。
图1是图示了用于实现本发明的示例性的基于计算机的系统的第一示意图；
图2是图示了用于实现本发明的示例性的基于计算机的系统的第二示意图；
图3是图示了实现本发明的示例性方法的搜索流程图；
图4是图示了使用预测性建模作为采用本发明的系统的输入和输出的数据库和文档处理、情绪和绿色评分的流程图；
图5是表示结合本发明的用于产生情绪以供在绿色评分中使用的示例性方法的流程图；
图6是表示结合本发明的采用网站形式的绿色群体的表达的图表；
图7表示结合本发明的输出或服务的示例性形式；以及
图8-16是用于在实现本发明中使用的风险挖掘技术的示例。
具体实施方式
现在将参照如附图中所示出的示例性实施例更详细地描述本发明。虽然在本文参照示例性实施例描述了本发明，但是应当理解的是，本发明不限于此类示例性实施例。可以使用本文的教导的本领域技术人员将认识到附加实现、修改和实施例以及用于使用本发明的其他应用，其完全在本文所公开并要求保护的本发明的范围内被考虑，并且关于其本发明可以具有重要效用。
本发明使用和利用新媒体资源和趋势来满足顾客对于与CSR、ESG委托、绿色投资和声誉觉知相关的先进分析法的需要。本发明在其各个实施例中提供了一种绿色情绪解决方案，其把常规工具的范围扩展为包括社交媒体和在线新闻，以生成并呈现增强的工具、内容和解决方案。本发明包括对常规和新媒体进行分析以测量公司的“绿色性”以及表示实体的环境行为的作为结果的分数的智能分析法。所述绿色性分数可以是简单的分数，其可以是负的或正的并且可以随着时间演进。本发明聚合来自多个源、包括社交媒体或网络内容、新闻、网站以及机构新闻专线（例如Twitter、Facebook、网站、RSS）的私有和公共的内容。分类法被调谐成将主题、文本、短语、语句、评论和其他内容理解为具有或不具有绿色或环境含义。
本发明可以包括情绪、感觉和情感计算技术，用以对文本进行分析以辨识关系到影响公司业绩的绿色问题的人类情绪，并且预期进一步的人类响应，例如卖出或买入与公司相关的证书。人类感情可以被视为时间导出函数，其具有一系列相关的因果或者“影响和效果”。例如，在一种给定情况下，例如面对潜在致命冲突的人，可以预期在恐惧的人类感情之后是一个或多个替代的人类响应，例如逃跑或防卫。可以使用概率数值或关系来表示针对所述情况的一个或多个预期未来反应。常常使用贝叶斯网络来表示因果关系。可以使用附加的数据来进一步精炼或者定义所述一个或多个概率关系。例如，如果受到威胁的人拥有武器，则可以向上调节自卫的概率并且向下调节逃跑的概率。同样地，如果此人被逼入角落或者以其他方式在逃离手段方面受到限制，则可以调节所述概率。本发明使用所检测到的人类感情来预期进一步的人类反应，并且是在集体基础上这样做。所述系统然后可以预测或预期针对该预期感情的人类响应，例如通常卖出股票或者卖出作为负面发布的对象的特定股票。本发明收集或使用或观察关系到作为在博客、维基、在线论坛、聊天室、留言板和社交媒体网络处表达的对象的人类感情，以检测关系到绿色问题的“情绪”，例如公司关于使用“绿色”或环境友好的原料或材料或实践的声明。本发明使用本文所讨论的技术对所收集的信息进行处理，以基于所确定的情绪导出绿色分数或评级。所述分数然后还可以被用来推荐公司或警报或者以其他方式标识公司以供投资考虑。本发明还可以被用来生成满足选择准则的公司的复合索引，此类准则与有环境意识或环境敏感的实践相关。采用该方式，投资者、个人、基金等等可以使用此类分数、评级或索引来作为投资决策的基础。
采用一种实现，参照图1，本发明提供一种新闻/媒体分析系统（NMAS）100，其被适配成尽可能接近实时地自动处理和“阅读”来自由新闻/媒体全集110所表示的博客、twitter和其他社交媒体源的新闻报道和内容。结合计算机科学的定量分析、技术或数学（诸如绿色评分/复合模块124和情绪处理模块125）由服务器120的处理器121处理，以得到绿色分数、绿色认证和/或对财经证券的价值进行建模，包括生成复合环境或绿色索引。NMAS 100自动处理新闻报道、申报、新/社交媒体和其他内容，并且针对所述内容应用一个或多个模型，以确定绿色评分和/或股票价格和其他投资媒介物的预期行为。NMAS 100利用传统的并且特别是新媒体资源来提供一种将常规工具的范围扩展为包括社交媒体和在线新闻的基于情绪的解决方案。
NMAS 100可以经由新闻/媒体全集110中的新媒体源1141、博客1142和社交媒体1143将来自以下示例性新的且社交媒体源的内容接收为输入：新闻网站（reuters.com、bloomberg.com等等）；在线论坛（livegreenforum.com）；政府机构的网站（epa.gov）；学术机构、政党的网站（mcgill.ca/mse、www.democrats.org等等）；在线杂志网站（emagazine.com/）；博客网站（Blogger、ExpressionEngine、LiveJournal、Open Diary、TypePad、Vox、WordPress、Xanga等等）；微博网站（Twitter、FMyLife、Foursquare、Jaiku、Plurk、Posterous、Tumblr、Qaiku、Google Buzz、Identi.ca Nasza-Klasa.pl等等）；社交和专业人士联网站点（facebook、myspace、ASmallWorld、Bebo、Cyworld、Diaspora、Hi5、Hyves、LinkedIn、MySpace、Ning、Orkut、Plaxo、Tagged、XING、IRC、Yammer等等）；在线宣传和筹款网站（Greenpeace、Causes、Kickstarter）；信息聚合商（Netvibes、Twine等等）；Facebook；以及Twitter。
图1的NMAS 100包括情绪处理模块125，其被适配成处理经由新闻/媒体全集110接收为输入的新闻/媒体信息，并且向与一个或多个公司相关的新闻/媒体项目指派“情绪分数”。情绪和情绪分数可以从计算语言学导出，并且例如通常利用相应的+1、-1和0的分数将文章、博客、社交媒体评论等等的基调定义或表示为正、负或中性。所述分数可以从来自新闻/媒体的文本和/或（现有的或者由引擎新指派的）元数据导出，并且可以对经处理的文本/元数据应用预定义的或者所学习的基于词典的和/或情绪模式。NMAS 100可以包括训练或学习模块127，其根据某些“事实”或事件对过去的或归档的新闻/媒体以及作为结果的相关股票价格的响应进行分析，来构建用以在给定某些类型的新闻或事件的情况下预测股票行为的模型，包括与绿色或环境事件、凭证、立法等等相关的新闻或事件。
采用一种方式，NMAS 100可以被用来将传统和新媒体内容源110处理为确定或表示“绿色性”或复合环境索引的上下文中的“Alpha”的源。在示例性的实现中，NMAS 100由传统的财经服务公司（例如Thomson Reuters）运营，其中主要数据库——内部112是内部文本源（例如TR News和TR Feeds），并且NMAS 100针对绿色评分模块124和情绪处理模块125应用数据并且可以包括用以得到预期的市场相关的行为的预测性模型。例如，作为内部主要数据库的Thomson Reuters源可以包括法律源（Westlaw）、规章（特别是SEC、争议数据、业界特定等等）、社交媒体（应用特殊的元数据以使其有用）以及新闻（Thomson Reuters News）和类新闻源，包括财经新闻和报告。此外还可以使用自由可用的或者基于预订的外部源114来补充内部源112，作为由所述预测性模型考虑的附加数据点。硬事实（例如油井爆炸导致直接财经损失（收入损失、损害赔偿等等）以及负面环境影响和作为结果的负绿色性分数）和情绪（例如定量恐惧、不确定性、负面声誉等等的效应）被视为驱动绿色评分和/或复合环境或绿色索引的因素。结果可以被用来增强投资和交易策略（例如股票和其他股权、债券和商品），并且使得用户能够跟踪和发现新的机会以及生成Alpha。新闻/媒体情绪分析125可以结合绿色评分模块124用来提供绿色评分，以驱动明智的交易和投资决策。
此外，NMAS 100可以包括绿色分类模块128，其被适配成生成有环境意识或者环境友好的公司的分类系统，其充当用于绿色投资的分类系统并且可以被用来创建复合环境索引。例如，当前被指派RIC（Reuters证书代码，其是被用来标识财经证书和索引的类标贴（ticker）代码）的公司可以被分类为“绿色合规”（例如被归档/保持具有某一级别和/或持续时间的绿色分数）。采用该方式，本发明可以出于交易目的被用来创建绿色RIC分类。例如，可以生成和保持例如由已经获取绿色认证或绿色RIC等等的公司所构成的“绿色情绪索引”。绿色索引有可能吸引投资者对促进环境负责任的业务感兴趣。
在一个实施例中，NMAS 100可以包括训练或机器学习模块127（诸如ThomsonReuters的Machine Learning Capabilities and News Analytics（机器学习能力和新闻分析法）），以从环境数据、新闻和社交媒体的广阔全集导出洞察，从而以公司（例如IBM）和索引级别（例如S&P 500）提供规范化的绿色分数。该历史数据库或全集可以与新闻/媒体全集110相分离或者从其导出。
优选的是，公司的绿色分数或索引被接近实时地（例如大约150ms）计算，并且例如被用来发展针对投资的Alpha策略，监视公司的绿色声誉，以及以公司和行业级别标识改变风险概况。不像依赖于由分析师处理的周期性研究的其他方法，本发明接收并且连续处理除了传统源之外的媒体馈送，例如WWW web和社交媒体馈送。采用一种方式，本发明例如产生信息和数据流，所述信息和数据流捕获日常趋势以及允许用户（例如顾客）访问来自例如相关的和无关的产品（例如其他Thomson Reuters产品）的一系列内容的门户和智能警报的附加价值。随着绿色或环境相关的新闻和社交媒体内容增多，媒体服务公司可以利用例如Thomson Reuters Markets之类的跨广阔供应品平台的产品和服务。本发明使得公司能够把跨分区的供应品相联系，并且加速绿色分析法空间的市场占有率渗透。
例如，由NMAS 100的绿色评分模块124应用的绿色分数准则可以包括：产品或制造环境相关的合规性或认证；能量效率；促进环境管理工作、消费者保护、人权和多样性的公司实践。由NMAS 100应用的绿色分数准则还可以包括：用于在绿色技术、能量高效技术、替代燃料技术、可再生资源技术中涉及的业务/产品的正面属性或分数，以及用于在酒、烟草、赌博、武器和/或军事方面所涉及的业务的负面属性或分数。由SRI行业所认识到的关注领域可以被概括为环境、社会正义和企业治理（ESG）。尽管在绿色性和环境合规性方面进行了描述，但是本发明也可以被应用在基于社会目标和追求来创建健康的生活方式或者用于对公司进行评分的其他分类的方面。
NMAS 100可以由在处理新闻/媒体数据和递送给其的内容方面利用语言学技术来处理的自然语言处理所激励。NMAS 100对公司相关的新闻/媒体评论进行分析，以随时间跟踪“绿色”情绪。由NMAS 100提供的定量“绿色”策略可以被用于做市中，用于资产组合管理中以通过对资产组合情绪定基准以及计算业界加权来改善资产分配决策，用于预报股票、业界和市场前景的基础分析中，用于风险管理中以更好地理解针对资产组合的异常风险以及发展潜在的情绪防护，并且以跟踪并对公众感知和媒体覆盖定基准以及对于竞争者也这样做。
NMAS 100可以自动分析新闻内容，并且接近实时地生成交易（例如买入/持有/卖出）信号和/或更新绿色评分和/或复合环境索引信息。如本文所使用的，术语“接近实时”意味着在一秒内。然而，结合NMAS使用的数据的范围越广，响应时间就可能越长。为了缩短响应时间，可以考虑数据/内容的较小窗口/数量。此外，NMAS可以被配置成保持滚动数据集，以使得其仅仅对现有评分和报告进行更新，并且在任何给定时刻仅仅基于来自任意源的新发现、接收或发布的内容进行处理（“阅读”以及评分和预测）。NMAS接近实时地扫描和分析关于数千个公司的新闻和社交媒体内容，并且将结果馈送到定量策略和预测性模型中。NMAS输出可以被用来激励跨市场、资产分类和所有交易频率的定量策略，支持人为决策制定，并且有助于风险管理以及投资和资产分配决策。
可以采用多种方式和形式中的任何一个将内容接收为对NMAS 100的输入，并且本发明不依赖于输入的性质。依赖于信息的源，NMAS将应用各种技术来收集与绿色评分相关的信息。例如，如果所述源是内部源或者以其他方式采用由NMAS识别的格式，那么其可以基于标识文档中的或者与文档相关联的元数据中的字段或标记来标识与特定公司或业界或索引相关的内容。如果所述源是外部的或者不以其他方式采用由NMAS容易理解的格式，则可以采用自然语言处理和其他语言学技术来标识文本中的以及声明所涉及的公司。附加的此类技术可以被用来标识潜在增强的关联性的文本术语，例如跨以下示例性的主要维度的对分数文本：“作者情绪”——特定于文章中的每个公司关于所述项目的基调的正面、负面或中性程度的度量；“关联性”——所述报道对于特定项目的相关或实质的程度；“数量分析”——关于特定公司有多少新闻正在发生；“独特性”——所述项目在不同时间段内的新鲜或重复程度；以及标题分析——除其他之外尤其表示诸如经纪人动作、定价评论、采访、独家和复合性报导之类的特殊特征。NMAS使用丰富的元数据，例如：公司标识符；主题代码——标识主题事项；报道的阶段——警报、文章、更新等等；以及业务业界和地理分类代码；针对类似文章的索引参考。跨多个领域的元数据提供区别化内容以供由定量分析师和精密算法引擎使用。
NMAS可以利用各种和多种文本评分和元数据类型。以下是供本发明所使用的示例性类型：项目类型——警报、文章、更新、校正；项目体裁——报道的分类，即采访、独家、复合性报导等等；标题——警报或标题文本；关联性——0-1.0；普遍情绪——1、0、-1；正面、中性、负面——其提供更加详细的情绪指示；首次提到的位置——首次提到所述项目的语句位置；语句总数——被用于文章长度；公司数目——有多少家公司被标记到所述项目；词语/标志的数目——关于所述公司有多少词语/标志；词语/标志总数——新闻项目中的词语/标志总数；经纪人动作——表示经纪人动作：升级、降级、保持、无定义或者其是否为经纪人本身；价格/市场评论——用来标记描述定价/市场评论的项目；项目计数——在不同时间段内关于某一公司已发表了多少项目；链接计数——表示从12小时到7天的重复程度；话题代码——其描述所述报道是关于什么，即RCH=研究；RES=结果；RESF=结果预报；MRG=合并和收购等等；其他公司——被标记到文章的其他公司是什么；以及其他元数据——索引ID、链接参考、报道链等等。
图1-4图示了用于执行本发明以及用于提供有效接口以供与此类计算机和基于数据库的系统进行用户交互的示例性结构组件和框架。以下是对本发明的过程和特征的实现的更加详细的描述，包括关于新闻情绪的低频工作的讨论，以及关于股权（包括不稳定性和方向）和商品的一般探索性数据分析。在示例性场景中，不意图限制本发明而仅仅是为了有助于说明，下面说明新闻元数据如何与价格相关，并且讨论新闻与价格之间的短期关系。示例性讨论审视四个股权市场（美国、英国、日本和香港）和四种商品（原油、石油产品、贵金属和谷物）。下文讨论示例性的预报模型和框架，包括用于消费新闻并且做出资产价格预报的示例性引擎的描述。以做出关于回报率、交易数量和不稳定性的短期预测为目标来审视业绩。
NMAS可以被实现在各种部署和架构中。例如在公司结构的上下文内，NMAS数据可以经由基于web托管的一个或多个解决方案或中央服务器或者通过专用服务（例如，索引馈送）作为顾客或客户站点处的所部署的解决方案来递送。图1示出了示例性的新闻/媒体分析系统（NMAS）100，包括被适配成与中央服务提供商系统或客户端操作的处理系统中的任一者或二者集成在一起的在线信息检索系统。在该示例性实施例中，NMAS系统100包括至少一个web服务器，其可以自动控制客户端访问设备上的应用的一个或多个方面，其可以运行利用附加组件（add-on）框架而加强的应用，所述附加组件框架集成到图形用户接口或浏览器控制装置中以促进与一个或多个基于web的应用进行对接。系统100包括一个或多个数据库110、一个或多个服务器120以及一个或多个访问（例如客户端）设备130。
新闻/媒体数据库110包括主数据库（内部）集112、二级数据库（外部）集114以及元数据模块116。在示例性实施例中，内部数据库112包括新闻（在该情况下由示例性的Thomson Reuters TR News表示）服务或数据库1121和馈送（在该情况下由示例性的Thomson Reuters TR News Feed表示）服务或（一个或多个）数据库1122。新闻/媒体数据库110的内部成分还可以包括内部发源的社交媒体内容。外部数据库114包括新闻（诸如以及非内部）服务或（一个或多个）数据库1141、博客数据库1142、社交媒体数据库1143和其他（一个或多个）内容数据库1144。元数据模块116包括被适配成标识、提取或应用或者以其他方式辨识与新闻报道和/或社交媒体内容相关联的元数据。此类元数据可以由NMAS 100用来对新闻报道进行预处理，例如语句分离、词性标记、文本解析、标志化等等，以促进把报道与一个或多个公司相关联以及准备用于应用计算语言学过程和情绪分析的内容。
采取一个或多个电子、磁性或光学数据存储设备的示例性形式的数据库110包括或者以其他方式与相应的索引（未示出）相关联。每个索引包括与对应的文档地址、标识符和其他常规信息相关联的术语和短语。数据库110经由无线或有线通信网络（诸如局域网、广域网、专用网或者虚拟专用网）耦合或可耦合到服务器120。
通常表示用于采用网页或其他标记语言形式（具有相关联的小应用程序、ActiveX控制、远程调用对象或者其他相关的软件和数据结构）提供数据的一个或多个服务器的服务器120构成以服务各种“厚度”的服务客户端。更特别地，服务器120包括处理器模块121、存储器模块122，其包括订户数据库123、绿色评分/复合索引模块124 125和用户接口模块126、训练/学习模块127以及分类器模块128。处理器模块121包括一个或多个本地或分布式处理器、控制器或虚拟机。采取一个或多个电子、磁性或光学数据存储设备的示例性形式的存储器模块122存储订户数据库123、绿色评分/索引复合模块124（诸如针对基于本发明的预测性建模的与公司相关的预测性分析）、情绪处理模块125（诸如对于用户可用于进一步研究感兴趣的公司的其他财经服务）以及用户接口模块126。
订户数据库123包括用于控制、经办和管理数据库110的现购现付（pay-as-you-go）或者基于预订的访问的订户相关的数据。在该示例性实施例中，订户数据库123包括一个或多个用户偏好（或者更一般地用户）数据结构1231，包括用户标识数据1231A、用户预订数据1231B和用户偏好1231C，并且还可以包括用户所存储的数据1231E。在该示例性实施例中，用户数据结构的一个或多个方面涉及各种搜索和接口选项的用户定制。例如，用户ID1231A可以包括与具有对经由NMAS 100分布的绿色评分和/或环境复合索引服务的预订的用户相关联的用户登录和屏幕名信息。绿色评分/复合索引模块124包括用于处理上文所描述的功能的软件和功能，并且例如可以结合情绪处理模块126、训练模块127和分类器模块128中的一个或多个针对一个或多个数据库110而被应用，以基于从数据库或全集110接收到的数据来生成或更新用于公司的绿色分数，或者生成或更新由股票集构成的复合索引。例如，利用某一形式的验证而应用的来自数据库110的训练数据集或初始数据集可以被用来训练或验证NMAS 100的性能，以供采用正在进行的方式使用，诸如以供采用由FSP提供的基于费用的服务使用。
信息集成工具（IIT）框架或接口模块126（或者软件框架或平台）包括机器可读和/或可执行指令集以供完全或部分地定义软件以及具有其一个或多个部分的与一个或多个应用集成或协作的相关的用户接口。如图2中所示，NMAS包括与IIT 126和元数据模块116协作的新闻/社交媒体处理引擎（NSMPE），所述新闻/社交媒体处理引擎（NSMPE）包括一个或多个搜索引擎或者可以与一个或多个搜索引擎协作，以供针对元数据进行接收和处理以及聚合、评分和过滤、推荐以及呈现结果。在示例性实施例中，NSMPE包括一个或多个特征引擎206、预测性建模模块207、学习或训练引擎或模块208以及绿色评分、复合索引模块209，以实现本文所描述的功能。
参照图1，访问设备130（诸如客户端设备）通常表示一个或多个访问设备。在示例性实施例中，访问设备130采取个人计算机、工作站、个人数字助理、移动电话或者能够提供与服务器或数据库的有效用户接口的任何其他设备的形式。具体来说，访问设备130包括处理器模块131一个或多个处理器（或处理电路）131、存储器132、显示器133、键盘134以及图形指针或选择器135。处理器模块131包括一个或多个处理器、处理电路或控制器。在示例性实施例中，处理器模块131采取任何方便或所期望的形式。耦合到处理器模块131的是存储器132。存储器132为操作系统136、浏览器137、文档处理软件138存储代码（机器可读或可执行指令）。在示例性实施例中，操作系统136采取Microsoft Windows操作系统的某一版本的形式，并且浏览器137采取Microsoft Internet Explorer的某一版本的形式。操作系统136和浏览器137不仅接收来自键盘134和选择器135的输入，而且还支持在显示器133上渲染图形用户接口。在启动处理软件时，集成的信息检索图形用户接口139被定义在存储器132中并且渲染在显示器133上。在渲染时，接口139呈现与一个或多个交互式控制特征（或用户接口元件）相关联的数据。
在使用本发明的操作系统的一个实施例中，安装附加组件框架并且将服务器120上的一个或多个工具或API加载到一个或多个客户端设备130上。在示例性实施例中，这需要用户把客户端访问设备（诸如访问设备130）中的浏览器引导到针对在线信息检索系统（诸如来自Thomson Reuters Financial的供应品和其他系统）的网际协议（IP）地址，并且然后使用用户名和/或密码登录到所述系统上。成功的登录导致基于web的接口从服务器120输出、被存储在存储器132中并且由客户端访问设备130显示。所述接口包括用于利用一个或多个应用的对应的工具栏插件来发起信息集成软件的下载的选项。如果发起了下载选项，则下载确保客户端访问设备与信息集成软件兼容并且检测访问设备上的哪些文档处理应用与信息集成软件兼容的管理软件。通过用户批准，适当的软件被下载并且安装在客户端设备上。在一种替换方案中，中间“企业”网络服务器可以接收所述框架、工具、API和附加组件软件中的一个或多个，以供使用内部过程加载到一个或多个客户端设备130上。
一旦以任意方式安装，则然后可以利用文档处理应用来在上下文中向用户呈现在线工具接口。可以同时调用针对一个或多个应用的附加组件软件。附加组件菜单包括web服务或应用和/或被本地托管的工具或服务的列表。用户经由工具接口进行选择，诸如经由指示设备人工选择。一旦进行了选择，则执行所选工具，或者更精确地说是其相关联的指令。在示例性实施例中，这需要与服务器120上的对应指令或web应用进行通信，其继而可以使用作为附加组件框架的一部分而存储在托管应用上的一个或多个API来提供托管字处理应用的动态脚本化和控制。
图2图示了用于执行本文所描述的过程的示例性NMAS系统200的另一种表示，所述过程是结合硬件和软件以及通信联网的组合来执行的。在该示例中，NMAS 200提供用于搜索、检索、分析和排名的框架。NMAS 200可以与供应信息或专业财经服务提供商（FSP）（例如Thomson Reuters Financial）的系统204相结合来使用，并且包括上文所描述的信息集成和工具框架以及应用模块126。此外，在该示例中，系统200包括中央网络服务器/数据库设施201，其包括网络服务器202、来自内部和/或外部源（例如新闻报道、博客、社交媒体等等）的文档和信息的数据库203、信息/文档检索系统205（作为组件其具有特征构建模块206、预测性模块207、训练或学习模块208）以及包括绿色评分、复合索引引擎209的新闻/社交媒体处理引擎。中央设施201可以由远程用户210诸如经由网络226（例如因特网）访问。可以使用基于因特网或（万维）WEB、基于桌面或者应用WEB使能的组件的任意组合来实现系统200的各方面。该示例中的远程用户系统210包括经由计算机211（诸如PC计算机等等）操作的GUI接口，所述计算机211可以包括硬件与软件的典型组合，如关于计算机211所示出的那样包括系统存储器212、操作系统214、应用程序216、图形用户接口（GUI）218、处理器220和存储装置222，所述存储装置222可以包含诸如电子文档和信息之类的电子信息224，例如绿色分数数据流和/或报告、基于公司和/或行业的环境复合索引数据流和/或相关报告和信息。在后文中详细描述的本发明的方法和系统可以被用于向远程用户（诸如投资者）提供对可搜索数据库的访问。特别地，远程用户可以使用基于公司RIC、绿色认证列表（如在本文中的其他地方所描述的）、股票或其他名称的搜索查询来搜索数据库，以如后文中所讨论的那样检索及查看预测性分析和/或建议动作。RIC指的是被用来标识财经证书和索引的标贴类代码的Reuters证书代码，被用于在各种财经信息网络（像Thomson Reuters市场数据平台，例如Bridge、Triarch、TIB和RMDS——Reuters Market Data System（RMDS）开放数据集成平台）上查找信息。绿色认证列表可以采取“绿色RIC”等形式。客户端侧应用软件可以被存储在机器可读介质上并且包括例如由计算机211的处理器220执行的指令，并且基于web的接口屏幕的呈现促进用户系统210与中央系统211之间的交互，诸如用于进一步分析经由网络226接收并且本地存储或远程访问的数据流以及其他数据和报告的工具。操作系统214应当适于与本文所描述的系统201和浏览器功能一起使用，例如具有适当的服务包的MicrosoftWindows Vista（商务版、企业版和终极版）、Windows 7或者Windows XP Professional。所述系统可能需要远程用户或客户端机器与最小阈值级别的处理能力相兼容，例如IntelPentium III、速度（例如500MHz）、最小存储器级别和其他参数。
因而所描述的配置是许多配置中的一些，并且不对本发明进行限制。中央系统201可以包括服务器、计算机和数据库的网络，诸如通过LAN、WLAN、以太网、令牌网、FDDI环或其他通信网络基础结构。若干合适的通信链接中的任何均可用，诸如无线、LAN、WLAN、ISDN、X.25、DSL和ATM类型网络中的一种或组合。用以执行与系统201相关联的功能的软件可以包括桌面或服务器或网络环境内的自包含式应用，并且可以利用本地数据库（诸如SQL 2005或以上版本、或者SQL Express、IBM DB2或其他合适的数据库）来存储文档、汇集以及与处理此类信息相关联的数据。在示例性实施例中，各种数据库可以是关系型数据库。在关系型数据库的情况下，创建各种数据表并且使用SQL或者本领域内已知的某种其他数据库查询语言将数据插入到这些表中和/或从这些表中选择数据。在使用表和SQL的数据库的情况下，例如MySQLTM、SQLServerTM、Oracle 8ITM、10GTM或者某种其他合适的数据库应用之类的数据库应用可以被用来管理数据。如本领域内已知的那样，这些表可以被组织成RDS或对象关系型数据模式（ORDS）。
在本发明的一种示例性方法中并且参照图3的流程，执行以下处理。首先在步骤302处，用户从来自内部或外部源的合适的新闻/社交媒体源（新闻馈送、博客、网站等等）获得感兴趣的信息和内容。在步骤304处，系统对所获得的信息应用预处理以标识所嵌入的元数据或其他描述符，处理关于一个或多个公司的文本、词语、短语和属性关联性。在步骤306处，系统应用情绪分析并且得到与所获得并处理的信息相关联的一个或多个情绪分数，如其涉及其中标识的感兴趣的公司。在步骤308处，系统可选地（如本文中其他地方所讨论的）可以应用风险分类法，以得到与绿色分数或复合索引相关的单独分数或指示或者导出分数或指示。在步骤310处，系统应用使用情绪分数来得到绿色分数的预测性模型，以例如得到与每个公司相关联的所预测的状况或价格行为。在步骤312处，对于均具有绿色分数的公司集，系统生成所述绿色分数集的复合索引的表达，例如所述索引表示对应的股票价格集的预测行为和/或要根据预测行为而采取的建议动作（例如买入、卖出或持有）。
图4是图示了数据库和文档处理、情绪和绿色评分的流程图，其将本发明的预测性建模方面用作采用本发明的系统的输入和输出，诸如图3的方法。例如，外部文档、新闻、社交媒体和其他信息（诸如新闻文章以及传统媒体和新媒体源、博客、社交媒体）被视为对诸如前所述的新闻/社交媒体处理引擎的输入，所述新闻/社交媒体处理引擎可以包括组合的或单独的外部消息引擎和内部数据馈送消息引擎。内部新闻馈送等等（例如TR Feeds、Reuters News、Westlaw、Curated馈送）由内部数据馈送文档处理模块来处理。组合的新闻馈送由情绪评分引擎进一步处理并且最终根据预测性模型来处理，以输出用于公司的绿色评分和/或与公司集的环境业绩或认证相关的复合索引。采用该方式，本发明提供相应的公司的预测性分析或者诸如建议动作（买入、卖出或持有）之类的其他输出。另一输出可以采取与绿色评分或复合索引相关的数据流或馈送的形式，并且可以被递送到财经服务的订户并且在本地进一步被处理。又另一输出可以是智能警报服务。此外，桌面附加组件可以包括用以显示各种输出和/或接收作为对其响应的输入的方式。
基于信息的公司已经做出许多努力以收集和/或分析文档和信息的较大全集或总体，包括传统和新的时代媒体、博客、网页等等。例如，已经使用网络爬虫（webcrawler）和截屏器来提取可用信息和数据以供后续处理和分析，例如格式化/重新格式化、结构化/非结构化数据。公司可以使用该信息来创建或改善顾客心目中的企业或产品形象或身份，这在CRS和环境责任的上下文中越来越重要。能够从信息（例如文本）中辨识由表达所表示的任何潜在的“情绪”或“意见”的系统在形成预测性模型方面非常有用。这常常被称为情绪或意见挖掘，并且也被称为“感觉”或“情感”计算。这些技术常常使用自然语言处理，并且被设计成识别和解释人类情绪（意见、情感或感情，例如高兴、悲伤、恐惧、重要、不重要、正面、负面）以及基于所检测到的人类情感或感情而生成响应。
更特别地，语义分析对文本进行解释以辨识情感或意见的表达，并且可以被用来生成具有语义觉知的结果。此类系统可以是基于本体论（例如人类感情本体论）和语言学资源（例如WordNet-Affect（WNA））。通过把所述系统的使用扩展到超过传统新闻源，NMAS可以采用所述技术来解释和处理非传统渠道/源（诸如博客、维基、在线论坛、留言板、聊天室、社交媒体网络等等）中表达的意见和情绪，以便确定绿色情绪和绿色分数。利用所有媒体源而特别是对于缺少历史验证内部过程的“新媒体”源，所述系统还可以关于消息的（实际的或感知的（短期））准确性指派某一级别的验证。此外，所述系统可以被配置成标识“假”新闻并且在预测股票价格行为时预期此类“新闻”的短期效应。
通过示例的方式，本文所描述的情绪评分功能可以由Reuters NewsScopeSentiment Engine（RNSE）执行。RNSE使得客户能够利用唯一的新闻/社交媒体情绪集、关联性和用于算法交易系统的新颖性指示符以及风险管理和人类决策支持过程。所述服务利用语言学模型，所述语言学模型针对在当前供应品中支持的关于40项商品和能源资产以及超过10000个公司的新闻/社交媒体以毫秒对情绪进行评分。算法交易对于现金股权市场以及诸如外汇、商品和能源市场之类的其他流动资产类别中的卖出和买入侧市场参与者这二者均有用。商品市场为机构投资者和专属交易员提供了增长和多样化投资策略的大量机会。在给定全球商品和能源市场的增长、价格不稳定性以及越来越多地将该资产类别采用到活动的交易策略中的情况下，针对相关定量解决方案的顾客需求不断增长。所述情绪分数和作为结果的绿色分数或复合索引可以被交易台和定量研究分析师用来更好地对资产价格的变动进行建模。客户具有对历史数据的访问，这允许其回溯测试系统针对其交易和投资策略的适用性。
图5是表示用于产生情绪以供在绿色评分中使用的示例性方法中的步骤的流程图，例如以供使用社交媒体和新闻内容来对公共和私有公司定绿色性基准。用于由NMAS100进行处理的示例性数据源包括：新机构专线源（例如AFP、AP、TR、Reuters、Bloomberg）、社交媒体（博客、twitter、RSS、Gigaom、NWCleanTech、ClimateWire）、以及基于因特网/Web的源（例如CNN.com、WSJ.com、lesoir.be）。在当今的环境中，社交媒体常常提供比传统新闻渠道更加及时的信息源。例如，博主可以张贴关于“公司A”的评论，该评论和进一步的评述在最终被公司联合组织和传统新闻报道/源提到之前在社交媒体源上被注意到。这在“绿色”问题和内容的情况下看起来特别真实。通过审视基于社交媒体的情绪，本发明在关于绿色问题预测公司行为和股票价格方面响应更快。在图5的示例中执行以下分析：实体提取（例如对象、公司、位置等等）、源、作者、新闻数量、与特定分类法/主题（例如绿色）相关、事实提取、话题代码指派、分类指派、分析基调、指派情绪（+或-）、证书代码指派（例如RIC、绿色RIC）。由分析源数据所得到的输出可以采取以下形式的任何一个以供递送：针对给定分类法针对给定公司的情绪/分数的实时流（以及历史数据库）；表示复合复合索引的多于一个公司的情绪/分数的实时流（以及历史数据库）；以电子消息的形式的警报服务，其指示针对某一公司的索引在给定时间段内具有非常多于预设%；和/或以电子消息的格式的警报服务，其指示针对某一公司的索引在由用户/系统预设的给定时间段内具有非常多于由用户/系统的预设%。可递送的输出的接收者然后可以按期望进一步处理所述输出。
图6是表示采用网站形式的绿色群体的表达的图表。所述群体可以包括访问和利用现有的资源和工具。例如，所述群体包括聚合资产、分析法和工具资产、以及分布资产，以向用户（诸如投资者和投资群体中的那些）提供健壮且高效的体验。在该示例中，聚合资产包括：新闻；StarMine；法律实体；GRID；NOVUS；社交媒体；网站；众包软件；Moreover/InfoEngine。分析法资产可以包括：新闻情绪引擎；OpenCalais；Lipper基准；速度分析法；机器学习工具；绿色情绪；绿色分类法；广泛文本分析法（Lexalytics）；以及警报（Psydex）。分布资产可以包括：Eikon/Omaha；DataScope；Elektron；企业服务门户；内容市场；IDN/RIC/RFA；Reuters.com博客；新闻档案；（一个或多个）绿色网站以及博客群体。
使用本文所描述的NMAS 100系统和相关技术，本发明通过提供智能信息和分析工具来监视和预测绿色行为在公司和索引级别处的影响而解决了广泛的一组需求。本发明可以被用来访问被标记到单独的公司的绿色新闻的历史数据库，跟踪具有相关绿色评分的重大新闻的实时警报，监视社交媒体源并且跟踪绿色倡议或事件，发布/接收针对不同公司的绿色情绪分数，以及利用群体工具来监视对等行为。绿色资产管理者可以使用本发明来实现和监视对绿色投资目标和要求的坚持以及标识Alpha生成策略。企业可以按更加内向型（inward-directed）的方式来使用本发明，以供进行品牌监视以及以供实现和评价CSR和其他相关倡议。管理机构（例如环境保护署）可以使用本发明以供监视和监督绿色合规性以及以供输入到绿色立法中。
现在参照图7，并且在本发明的绿色情绪复合索引方面，作为其核心基础NMAS 100可以具有机器学习和人工智能（AI）能力的组合，其提供智能信息以供在分析公共和私有公司的绿色行为的影响中使用。NMAS 100的作为结果的输出可以采用绿色情绪公司和复合索引、智能警报和/或桌面客户端/接口和工具集的形式。NMAS 100可以利用专门针对与公司和行业相关的环境主体进行评分的高度专业化的分类法。每个源将具有其自身的有细微差别的分类法和针对索引计算（例如由Velocity Analytics进行）的加权。一旦操作中，AI可以适于改变的市场状况，并且把所述分类法扩展为包括新发展的行话（lingo）并且突显与股权价格变动最相关的文本模式。在实现中，本发明可以提供对于绿色投资的分类，SEC中的绿色警报可以被触发，投资者可以基于绿色RIC或分类进行交易，社交媒体成分被添加到总体绿色投资群体中，并且绿色数据馈送可以被递送以供由投资者进一步处理。
诸如InfoEngine之类的服务提供twitter、博客、在线新闻馈送以及其他类型的第三方内容的现成（out-of-the-box）的聚合。例如，诸如InfoEngine之类的内容聚合商，诸如Lexalytics之类的计算引擎，以及群体网站。一旦被馈送到服务器中，OpenCalais/ClearForest例如将被用于智能标记，这有助于在馈送之间区分。一旦应用了分类法和对应的算法，则计算引擎（诸如Lexalytics）然后将对文章进行评分。
将基于其重要性对来自不同源的情绪分数进行加权。广泛流通的在线和新闻专线源将基于其Alexa和Nielsen评级被加权，而社交媒体源则将基于其跟随者、订户和印象而被加权。然后经加权的分数将被聚合以提供总体的“绿色情绪”。类似于分类法的演进，权重可以随着AI检测到源与公司的股权价格的更高相关性而改变。最后，构建群体网站将促进绿色社交媒体辩论，并且将被用来保持所述绿色分类法。
风险挖掘
图8-16是用于实现本发明的风险挖掘技术的示例。下面将更加全面地描述风险挖掘技术以供结合本发明来使用。
图8图示了风险如何随着时间具体化。最初，从大的文本数据库中提取风险P=>Q，此时其中Q代表高影响事件，P代表Q的先决条件，其在因果或统计方面与Q相联系，并且在时间上处于Q之前。除非在本文另有声明或指示，否则蕴涵符号“=>”捕获存在于P和Q之间的因果性和/或使能关系（例如P导致Q，或者P可能会使能Q）。蕴涵符号“=>”不意味着实质蕴涵。后来在时间t.sub.j处，P可能发生，这继而可能导致在时间t.sub.k处发生Q。本发明解决了自动从文本获得风险P=>Q的问题，并且描述了如何可以使用P=>Q和P来警报用户Q可能即将来临。如本文所使用的，可以是正面的或负面的术语“风险”指代涉及不确定性的事件（除非该事件已经发生），其可能由某一因素、事物、元素或过程导致。特别地，如本文所使用的，可以是正面的或负面的术语“风险”指代其中针对事件的先决条件，其中所述先决条件在因果或统计方面与所述事件相联系并且在时间上处于所述事件之前。如本文所使用的，术语“先决条件”指代与特定对象相关的声明或指示。特别地，术语“先决条件”指代直接地或者通过本发明的挖掘技术与特定事件相关的声明或指示。
通过使用计算设备针对风险来挖掘全集（例如（一个或多个）文本馈送的（一个或多个）集）。如本文所使用的，术语“全集”及其变形指的是一个或多个数据集，特别是包括文本数据的数字数据。全集可以包括但不限于：新闻；财经信息，包括但不限于股票价格数据及其标准偏差（不稳定性）；政府和规章性报告，包括但不限于政府机构报告，诸如税务申报、医疗申报、法律申报、食品药品监督管理局（FDA）申报、证券交易委员会（SEC）申报之类的规章性申报；私有实体发表，包括但不限于年报、时事通讯、广告和新闻稿；博客；网页；事件流；协议文件；社交网络服务上的状态更新；电子邮件；短消息服务（SMS）；即时聊天消息；Twitter推文；和/或其组合。计算设备对所述全集进行调查，以提取风险指示模式，并且利用风险指示种子模式作为风险标识算法的种子，以供分析师或用户进行后续风险挖掘。计算设备还可以包括用于查询计算机的接口（诸如键盘），以及用于显示来自计算机的结果的显示器。
计算设备还可以被用来通过计算机接口（未示出）向用户警报风险，包括但不限于即将来临的风险，即有可能发生的风险，包括但不限于有可能在不久的将来或者在一个定义的时间段内发生。通常经由计算设备（未示出）来警报用户。但是本发明不限于此，而是可以合适地使用具有视觉显示器或者甚至语音通信的任何设备。如本文所使用的，术语“计算设备”指的是进行计算的设备，特别是执行高速数学或逻辑运算或者集合、存储、相关或以其他方式处理信息的可编程电子机器。示例包括（在不具有限制的情况下）大型计算机、个人计算机和手持式设备。在针对风险挖掘全集之前，本发明利用计算设备来从文本数据的一个或多个全集提取风险指示模式。如本文所使用的，风险指示模式是通过本发明的技术而发展的使可能先决条件涉及可能事件的模式。
计算设备包含风险标识算法。利用包含风险标识算法的计算设备，针对被提供以创建风险数据库的风险指示种子模式集的实例而搜索文本数据全集，这是由风险挖掘器来进行的。全集可以包括但不限于：新闻；财经信息，包括但不限于股票价格数据及其标准偏差（不稳定性）；政府和规章性报告，包括但不限于政府机构报告，诸如税务申报、医疗申报、法律申报、食品药品监督管理局（FDA）申报、证券交易委员会（SEC）申报之类的规章性申报；私有实体发表，包括但不限于年报、时事通讯、广告和新闻稿；博客；网页；事件流；协议文件；社交网络服务上的状态更新；电子邮件；短消息服务（SMS）；即时聊天消息；Twitter推文；和/或其组合。全集210可以与全集110相同或者不同。
在本发明的一个实施例中，使用触发关键字（例如“risk”、“threat”）来生成风险数据库。在另一个实施例中，使用规则表达（例如“(“may”)?pose(s)?(a)?threat(s)?to”（可能构成威胁））来生成风险数据库。创建候选风险语句或语句序列，并且通过以下操作来使新的模式一般化：在其上运行命名实体标记器或词性（POS）标记器以及分块器（可以通过专有名词或NP来描述实体，而不仅仅通过命名实体给出），并且以每类别的占位符来替代实体（例如“J.P. Morgan”=>“<COMPANY>”）。所生成的这些模式可以被用于重新处理所述全集，在本发明的一个实施例中在一些人类回顾之后进行，或者在另一个实施例中自动进行。然后对所提取的语句或语句序列这二者都进行验证（其是否真的是风险指示语句）并且将其解析成具有P=>Q形式的风险（即找出哪些文本跨度对应于前提“P”，哪些部分表达蕴涵“=>”，以及哪些部分表达高影响事件“Q”），这是使用但不限于以下非限制性特征来进行的：与术语“risk”具有重大统计关联的术语集（在本发明的一个实施例中，诸如逐点互信息（PMI）和对数似然性之类的统计程序或者包括但不限于通过Hearst模式归纳而获得的规则的规则被用来确定术语集）；二进制地名录特征集，其中如果地名录由人类专家编译或者从手动标记的训练数据提取的风险指示术语集（“threat”、“bankruptcy”、“risk”...）则特征激发；推测性语言的指示符集；未来时间参考的实例；条件的出现；和/或因果性标记的出现。
在本发明的一个实施例中，代用的机器学习（即用于通过示例对任务进行机器学习的技术）的变形可以被用来创建用于提取风险指示语句的基于机器学习的分类器的训练数据。由Sriharsha Veeramachaneni和Ravi Kumar Kondadadi在“Surrogate Learning—From Feature Independence to Semi-Supervised Classification”（Proceedings ofthe NAACL HLT Workshop on Semi-supervised Learning for Natural LanguageProcessing，第10-18页，Boulder，Colo.，2009年6月，计算语言学协会（ACL））中描述了一种有用的技术，其内容通过引用被并入本文中。
风险类型分类器根据风险类型的预定义分类法通过风险类型（“RT”）对每个风险模式进行分类。在本发明的一个实施例中，该分类法可以使用但不限于以下非限制性类别：政治：政府政策、公众意见、意识形态方面的改变、信条、立法、动乱（战争、恐怖主义、暴动）；环境：受到污染的土地或污染责任、妨害行为（例如噪音）、许可、公众意见、内部/企业策略、环境法律或规章或实践或“影响”要求；规划：许可要求、政策和实践、土地使用、社会经济影响、公众意见；市场：需求（预报）、竞争、过时、顾客满意度、时尚；经济：财政政策、税收、成本膨胀、利率、汇率；财经：破产、利润、保险、风险分担；自然：未预见到的地面状况、天气、地震、火灾、爆炸、考古发现；项目：定义、采购策略，业绩要求、标准、领导力、组织（成熟度、投入度、胜任度和经验）、规划和质量控制、程序、劳动力和资源、沟通和文化；技术：设计完备度、操作效率、可靠性；规章：由管理机构的改变；人类：错误、不胜任、忽视、疲劳、沟通能力、文化、在黑暗中或夜间工作；犯罪：缺少安全、破坏行为、盗窃、诈骗、腐败；安全性：规章、有害物质、碰撞、坍塌、洪水、火灾、爆炸；和/或法律：立法的改变、条约。
风险聚类器通过相似度对数据库中的所有风险进行分组，而不强加预定义的分类法（数据驱动）。在一个实施例中可以使用Hearst模式归纳。Hearst模式归纳首先在Hearst,Marti的“WordNet: An Electronic Lexical Database and Some of its Applications”（Christiane Fellbaum，MIT Press 1998）中提到，其内容通过引用被并入本文中。在本发明的另一个示例中，由系统开发者选择数字k，并且可以使用kNN均值聚类方法。kNN聚类的进一步细节由Hastie, Trevor、Robert Tibshirani和Jerome Friedman的“The Elementsof Statistical Learning: Data Minig, Inference, and Prediction”（第二版，Springer，2009年）来描述，其内容通过引用被并入本文中。在此类情况下，风险被分组到一定数目（即k个）类别，并且然后通过选择与感兴趣的聚类具有最高相似度的聚类而被分类。在本发明的另一个实施例中使用分层聚类。替代地或附加地，可以使用k均值聚类和分层聚类这二者。
在根据本发明的风险聚类器的一个实施例中，提供文本全集。文本全集被标志化成语句集。从经标志化的文本中提取由“*”指示的风险的所有实例。通过组织与所述风险匹配的所有填充符（即“*”）而将风险的分类法构造成树。Hearst模式归纳可以被用来归纳所述风险分类法。此外，NP分块器可以被用来找到感兴趣的边界。
在根据本发明的风险聚类器的另一个实施例中，从例如风险、法律风险和法律改变创建风险分类法。如由所指示的，诸如可以与法律改变相关联的那些之类的风险被作为种子。如由所指示的，由计算设备挖掘诸如法律改变之类的法律风险。如由所指示的，还针对法律风险来挖掘风险。采用此类方式，基于风险和法律改变，存在针对法律风险的反馈。对风险和法律风险的挖掘可以包括利用词语风险或对其的等价物进行挖掘。对法律改变的挖掘不必包括词语风险。有利地，由该过程所导致的分类法包含不必包含词语“风险”本身的风险指示短语。除了用于风险类型分类的其使用之外，此类分类法还可以被用于风险挖掘模式中。
风险警报器执行数据库中的风险与文本馈送110中的P或Q的可能实例之间的相似度匹配操作。如果找到用于P的证据，则风险P=>Q“即将来临”。如果找到用于Q的证据，则风险P=>Q已经具体化。在本发明的一个实施例中，风险警报器直接向用户传递警告通知。
因而，在检验风险数据库时，用户（例如风险分析师）可以在风险具体化之前立即采取动作，并且提高文本馈送中的即将来临的风险（“P!,...,P!,P!,P!,...P!...”）以及随着事件被展开的具体化后的风险（“Q!”）的管理的优先级，而甚至无需阅读所述文本馈送。
在本发明的一个实施例中，风险警报器的输出连接到风险路由单元的输入，所述风险警报器向分析师通知其概况与风险类型RT匹配。例如，分析师可能希望知道关于环境风险。当挖掘到可能的环境事件的先决条件时，风险警报器将关于环境风险向分析师警报。例如，当在特定国家或地区内工业活动增加时，分析师可以被更改为全球变暖的环境风险。
在本发明的一个实施例中，如从被定义为所有过去的证券交易委员会（“SEC”）申报集的全集提取的风险描述集被匹配到从文本馈送提取的风险。为了确保与SEC商业风险公开义务的合规性，所述方法提出一种风险描述或者替代的风险描述的排名列表，以供包括在针对运营该系统的公司的草稿SEC申报中。
本发明可以使用多种方法以供风险标识。例如，如图9中所描绘的，风险挖掘可以包括：对表面字符串和命名实体标签上的规则模式的基线监视；使用聚类信息理论标识频繁与风险相关联的词语；和/或风险指示语句聚类。替代地或附加地，可以用于使用通过示例对任务进行机器学习的技术。风险标识包括查询用于风险指示模式的一个或多个全集。查询结果可以与风险指示模式的所有、基本上所有或者一些相匹配。在本发明的风险挖掘技术中还可以使用出现次数或特定风险指示模式。
图10和11图示了根据本发明的风险挖掘的示例。在图10的示例1中，针对作为Q或事件的先决条件或P的术语“胆固醇”而挖掘包括所列出的新闻文章的全集。通过主体（holder）“diabetics”和目标“amputation risk”对事件Q进一步进行分类。风险类型RT是健康，并且由于有益于健康而具有正极性。出于本发明的目的，术语“风险”不仅指代负面的或有害的事件，而且还可以指代正面的或有益的结果。换句话说，风险可以具有正面影响和/或负面影响。在图11的示例2中，针对作为Q或事件的先决条件或P的术语“North Korealaunch”而挖掘包括所列出的新闻文章的全集。通过主体“North Korea”和目标“more thancondemnation” U.S.”对事件Q进一步进行分类。风险类型RT是政治，并且由于有害于世界政治而具有负极性。此外，还可以针对风险程度对此类负和/或正极性进行加权。在此类情况下，可能有益的是针对后果较小的风险在较大程度上更改用户130非常有害或非常有益的风险。
图12图示了根据本发明的风险挖掘的另一个示例。在示例3中，对新闻文章进行挖掘。作为背景，在有限的供应是可用的情况下，针对金属锂的需求增加。许多金属从玻利维亚获得，在这篇文章发表时，该国的政府可能会被一些人认为对资本主义政府或公司不友好。如由下划线的词语和/或序列所指示的，针对各种潜在词语、词语序列和/或部分短语对该文章进行挖掘，以针对可能导致风险的事件Q的先决条件P查询该文章。存在于该文章中的风险类型包括供需风险和政治风险。
图13图示了根据本发明的风险挖掘的另一个示例。在示例4a中，针对具有特定标志的模式即“if”和“then”而挖掘全集。挖掘提取开始或者具有这些标志的序列。序列的长度不限于任何特定长度或词语数目，而是由标志确定。序列被存储在例如计算设备中的寄存器中。然而，诸如但不限于图16中所示出的那些的模式的使用可以比使用基于关键字的排名检索更精确。
图14图示了根据本发明的风险挖掘的另一个示例。在示例5a中，根据语句或短语的句法或语法结构来挖掘全集。在该示例中使用普通PENN Treebank（宾州树库）分类或标签或者略经修改的PENN标签。Penn Treebank的进一步细节可以在其内容通过引用被并入本文中的http://www.cis.upenn.edu/.about.treebank/（PENN Treebank主页）处找到，或者通过联系Linguistic Data Consortium，University of Pennsylvania，3600 MarketStreet，Suite 810，Philadelphia，Pa. 18104。对于英语之外的语言已经建立了对应的标签集并且为本领域技术人员所知。在该示例中，标签“PRP”指代人称代词，即示例语句中的“we”。标签“VBP”指代非第三人称单数现在时动词，即示例语句中的“expect”。标签“TO”简单地指代示例语句中的词语“to”。“VB”标签指代原形动词，即示例语句中的“be”。“RB”标签指代副词，即示例语句中的“negatively”。“IN”标签指代介词或从属连词，即示例语句中的“by”。一些常见的PENN Treebank词语P.O.S.标签包括但不限于：CC——并列连词；CD——基数词；DT——限定词；EX——存在有；FW——外来词；IN——介词或从属连词；JJ——形容词；JJR——形容词比较级；JJS——形容词最高级；LS——列表项目标记；MD——情态动词；NN——名词，单数或不可数；NNS——名词复数；NNP——专有名词单数；NNPS——专有名词复数；PDT——前置限定词；POS——所有格结束词；PRP——人称代词；PRP$——所有格代词（前序（prolog）版本PRP-S）；RB——副词；RBR——副词比较级；RBS——副词最高级；RP——小品词；SYM——符号；TO——到；UH——感叹词；VB——动词原形；VBD——动词过去时；VBG——动词，动名词或现在分词；VBN——动词过去分词；VBP——动词，非第三人称单数现在时；VBZ——动词，第三人称单数现在时；WDT——Wh限定词；WP——Wh代词；WP$——所有格wh代词（前序版本WP-S）；以及WRB——Wh副词。
在图15中，示例6图示了基于PENN treebank标签的另一种挖掘序列或算法。因此，如图14和15中所示，本发明的挖掘技术可以在不同准则下对相同的语句进行分析，以获得风险或者针对风险的先决条件。
在图16中，根据本发明的风险挖掘是通过词语（包括占位符）之间的二进制语法依赖性关系的序列而完成。
以上描述的用于挖掘风险的示例和技术可以被单独地或者采用任何组合来使用。然而本发明不限于这些特定示例，并且其他模式或技术可以与本发明一起使用。可以根据各种排名算法对来自这些示例和/或来自本发明的技术的所挖掘的模式进行排名，诸如但不限于统计语言模型（LM）、基于图形的算法（诸如PageRank或HITS）、排名SVM或者其他合适的方法。
在本发明的一个方面中，提供一种用于挖掘风险的计算机实现的方法。所述方法包括：在计算设备上提供风险指示模式集；使用计算设备对全集进行查询，以通过使用至少部分地基于与所述全集相关联的风险指示模式集的风险标识算法来标识潜在风险集；把所述潜在风险集与所述风险指示模式进行比较，以获得先决条件风险集；生成表示所述先决条件风险集的信号；以及把表示所述先决条件风险集的信号存储在电子存储器中。所述方法还可以包括：根据所述先决条件风险确定即将来临的风险，所述即将来临的风险使用所述风险标识算法来确定，所述即将来临的风险与来自所述先决条件风险集中的至少一个风险相关联；生成表示所述即将来临的风险的信号；以及将表示所述即将来临的风险的信号存储在所述电子存储器中。又此外，所述方法还可以包括：在存储表示所述先决条件风险集的信号之后确定具体化的风险，所述具体化的风险使用所述风险标识算法来确定，所述具体化的风险与所述风险集相关联；生成表示所述具体化的风险的信号；以及把表示所述具体化的风险的信号存储在所述电子存储器中。此外，所述方法还可以又包括：在存储表示所述即将来临的风险的信号之后确定具体化的风险，所述具体化的风险使用所述风险标识算法来确定，所述具体化的风险与所述即将来临的风险相关联；生成表示所述具体化的风险的信号；以及把表示所述具体化的风险的信号存储在所述电子存储器中。
令人期望地，所述全集是数字的。所述全集可以包括但不限于：新闻；财经信息，包括但不限于股票价格数据及其标准偏差（不稳定性）；政府和规章性报告，包括但不限于政府机构报告，诸如税务申报、医疗申报、法律申报、食品药品监督管理局（FDA）申报、证券交易委员会（SEC）申报之类的规章性申报；私有实体发表，包括但不限于年报、时事通讯、广告和新闻发布；博客；网页；事件流；协议文件；社交网络服务上的状态更新；电子邮件；短消息服务（SMS）；即时聊天消息；Twitter推文；和/或其组合。
所述风险标识算法可以是基于各种因素和/或准则。例如，所述风险标识算法可以基于但不限于：在统计上与风险相关联的术语集；基于时间因素；基于定制化准则集等等；以及其组合。所述定制化的准则集例如可以包括和/或考虑：行业准则、地理准则、货币准则、政治准则、严重性准则、紧迫性准则、主题事项准则、话题准则、命名实体集，以及其组合。
在本发明的一个方面中，所述风险标识算法可以是基于源评级集。如本文所使用的，短语“源评级”指的是源的评级，例如但不限于关联性、可靠性等等。源评级集可以与源集具有一对一对应性。源集可以充当所述全集基于其的信息的源。可以基于即将来临的风险、具体化的风险及其组合对所述源评级集进行修改。
本发明的方法还可以包括：传送表示所述先决条件风险集的信号，传送表示所述即将来临的风险的信号，传送表示所述具体化的风险的信号，以及其组合。此外，本发明还可以包括使用以下各项的至少一个提供基于web的风险警报服务：表示所述风险集的信号，表示所述即将来临的风险的信号，表示所述具体化的风险的信号，以及其组合。
在本发明的另一方面中，一种计算设备可以包括：电子存储器；以及至少部分地基于与存储在所述电子存储器中的全集相关联的风险指示模式集的风险标识算法。处理器（未示出）可以被用来运行计算机设备上的算法。计算设备可以包括用于对风险标识算法进行查询的计算机接口，其被描绘成（但不限于）键盘。计算设备可以包括用于接收来自所述电子存储器的信号并且用于显示来自风险标识算法的风险警报的显示器。
在本发明的另一方面中，提供一种用于向用户警报风险的计算机系统。所述系统可以包括具有电子存储器和风险标识算法的计算设备，所述风险标识算法至少部分地基于与存储在所述电子存储器中的全集相关联的风险指示模式集。可以被用来运行计算机设备上的算法。所述系统还可以包括用户接口，以供对所述风险标识算法进行查询并且以供接收来自计算设备的电子存储器的用于向用户警报风险的信号。所述用户接口可以包括但不限于计算机、电视、便携式媒体设备和/或诸如蜂窝电话、个人数字助理等之类的web使能的设备。
在实现中，可以自动地或者半自动地即在某种程度的人类干预的情况下执行本发明的概念。同样，本发明不由本文所描述的特定实施例限于范围中。应当完全考虑到，根据前面的描述和附图，除了本文所描述的那些之外的其他各种实施例及对本发明的修改将对本领域技术人员变得显而易见。因此，此类其他实施例和修改应当意图落在以下所附权利要求书的范围内。此外，尽管本文在特定实施例和实现和应用的上下文中并且在特定环境中描述了本发明，但是本领域技术人员将认识到，其有用性不限于此，以及本发明可以出于任何数目的目的有益地采用任何数目的方式和环境来应用。因此，应当按照如本文所公开的本发明的完全范围和精神来解释下面阐述的权利要求书。

Claims (46)

1.一种计算机实现的方法，包括：
（a）通过计算机标识将向其指派绿色分数的实体；
（b）对与所标识的实体相关的第一社交媒体信息集执行情绪分析，所述情绪分析包括第一社交媒体信息集的基于文本的情绪分析；
（c）通过计算机至少部分地基于包括所述基于文本的情绪分析的所执行的情绪分析来确定情绪分数；
（d）通过计算机至少部分地基于所确定的情绪分数和应用于所确定的情绪分数的预测性模型来计算第一绿色分数，并且其中所述第一绿色分数表示第一绿色情绪分数；
（e）通过计算机传送所述绿色分数；
（f）随后对与所标识的实体相关的第二社交媒体信息集执行情绪分析，所述情绪分析包括第一社交媒体信息集的基于文本的情绪分析；
（g）通过计算机至少部分地基于包括所述基于文本的情绪分析的所执行的情绪分析来确定第二情绪分数；
（h）通过计算机至少部分地基于所确定的第二情绪分数和应用于所确定的第二情绪分数的预测性模型来计算第二绿色分数，并且其中所述第二绿色分数表示第二绿色情绪分数；以及
（i）基于其重要性来对所述第一绿色情绪分数和所述第二绿色情绪分数进行加权，并对经加权的情绪分数进行聚合以提供绿色分数。
2.根据权利要求1的方法，其中，所述社交媒体信息集与所标识的实体相关联，所述实体与交易证券相关联，所述社交媒体信息集表示关系到所述实体的绿色信息，并且所述第一或第二绿色分数表示所述实体的环境影响。
3.根据权利要求1的方法，还包括：通过计算机基于附加的社交媒体信息集随时间修改所述绿色分数，以及传送经修改的绿色分数。
4.根据权利要求1的方法，其中，通过计算机计算绿色分数包括：
通过计算机在从社交媒体集接收的内容集中标识文本，所述文本被标识为表示所述实体；
通过计算机至少部分地基于所标识的文本的基于文本的情绪分析来确定情绪分数；并且
其中所述绿色分数表示绿色情绪分数。
5.根据权利要求1的方法，还包括：至少部分地基于所述绿色分数将所述实体认证为绿色合规的。
6.根据权利要求1的方法，还包括：通过计算机针对第二所标识的实体执行步骤（a）-（c）导致第二绿色分数，并且其中传送绿色分数包括通过计算机传送包括反映所述绿色分数和第二绿色分数的数据的数据馈送。
7.根据权利要求1的方法，还包括：通过计算机至少部分地基于所计算的绿色分数的值来生成关系到所述实体的警报信号。
8.根据权利要求1的方法，其中，通过计算机标识实体还包括通过计算机在从社交媒体集接收的内容集中标识文本，所述文本被标识为表示所述实体，并且还包括通过计算机从所述内容集提取被标识为表示与所述实体的环境影响相关的情绪的另外的文本。
9.根据权利要求8的方法，其中，通过计算机标识内容集中的文本包括以下各项中的一个或多个：通过计算机标识所嵌入的元数据或其他描述符；通过计算机处理文本、词语、短语；通过计算机应用自然语言语言学分析；通过计算机应用贝叶斯技术。
10.根据权利要求1的方法，其还包括通过计算机聚合来自多个源的内容集，所述多个源包括至少一个社交媒体源和来自包括以下项的组中的至少一个附加的源：新闻网站；在线论坛；政府机构的网站；学术机构、政党的网站；在线杂志网站；博客网站；微博网站；社交和专业人士联网站点；在线宣传和筹款网站；Facebook；Twitter；以及信息聚合商，其中所述信息聚合商从来自多个源的源集聚合内容，所述内容集包括所述社交媒体信息集。
11.根据权利要求1的方法，还包括：
（d）通过计算机标识要与复合索引相关联的公司集，所述公司集包括所述实体并且与证券集相关联；
（e）通过计算机至少部分地基于所述社交媒体信息集来生成针对所述证券集的复合环境索引；以及
（f）通过计算机传送与所述复合环境索引相关联的信号。
12.根据权利要求11的方法，其中，所述复合环境索引至少部分地基于与所述公司集相关联的绿色分数集来确定。
13.根据权利要求1的方法，其中，所述绿色分数被实时地生成。
14.根据权利要求1的方法，其中，得到所述绿色分数是通过计算机基于以下正面准则中的一个或多个：产品或制造环境相关的合规性或认证；能量效率；促进环境管理工作、消费者保护、人权和多样性的企业实践，在绿色技术、能量高效技术、替代燃料技术、可再生资源技术中所涉及的业务/产品，和/或基于以下负面准则中的一个或多个：在酒、烟草、赌博、武器和/或军事方面所涉及的业务，以及环境标准不合规的业务。
15.根据权利要求1的方法，其中，所述实体与市场上交易的证券相关联，并且还包括通过计算机应用预测性模型来得到与所述证券相关联的预测行为。
16.根据权利要求15的方法，还包括：通过计算机生成所述预测行为的表达和/或要根据所述预测行为而采取的建议动作。
17.根据权利要求16的方法，其中，所述建议动作涉及关系到所述证券的交易决策，并且是由买入、卖出或持有构成的组中的一项。
18.根据权利要求1的方法，其中，所述社交媒体信息集通过计算机基于时间价值来标识。
19.根据权利要求1的方法，还包括：通过计算机生成表示潜在风险的风险信号。
20.根据权利要求1的方法，还包括：
在计算设备上提供风险指示模式集；以及
通过使用至少部分地基于所述风险指示模式集的风险标识算法来通过计算机在所述社交媒体信息集内标识与所述实体相关联的潜在风险集。
21.根据权利要求20的方法，还包括：
通过计算机把所述潜在风险集与所述风险指示模式进行比较，以获得先决条件风险集；
通过计算机生成表示所述先决条件风险集的信号；以及
通过计算机把表示所述先决条件风险集的信号存储在电子存储器中。
22.根据权利要求1的方法，还包括：
针对实体集通过计算机重复步骤（a）-（c）导致针对所述实体集中的每个实体所计算的绿色分数；
通过计算机标识绿色分类；以及
通过计算机至少部分地基于相应的实体绿色分数针对包括在所述绿色分类中从所述实体集选择实体。
23.根据权利要求22的方法，其中，所述绿色分类涉及通过计算机将公司认证为绿色合规的，并且其中所选择的实体中的每个被认证为绿色合规的。
24.一种基于计算机的系统，包括：
被适配成执行代码的处理器；
用于存储可执行代码的存储器；
被适配成接收与将向其指派绿色分数的实体相关联的社交媒体信息集的输入；
被适配成由处理器执行的情绪分析模块，并且所述情绪分析模块包括可由处理器执行以对与所标识的实体相关的社交媒体信息集执行情绪分析的代码，所述情绪分析包括社交媒体信息集的基于文本的情绪分析；
被适配成由处理器执行的情绪分数模块，并且所述情绪分数模块包括可由处理器执行以至少部分地基于包括所述基于文本的情绪分析的所执行的情绪分析来确定情绪分数的代码；
被适配成由处理器执行的绿色分数模块，并且所述绿色分数模块包括可由处理器执行以至少部分地基于所确定的情绪分数来计算第一绿色分数的代码，并且其中所述第一绿色分数表示第一绿色情绪分数；以及
被适配成传送与所述绿色分数相关联的信号的输出；并且
其中所述情绪分析模块还被适配成随后对与所标识的实体相关的第二社交媒体信息集执行情绪分析，所述情绪分析包括第一社交媒体信息集的基于文本的情绪分析；
其中所述情绪分数模块还被适配成至少部分地基于包括所述基于文本的情绪分析的所执行的情绪分析来确定第二情绪分数；以及
其中所述绿色分数模块还被适配成：至少部分地基于所确定的第二情绪分数来计算第二绿色分数，其中所述第二绿色分数表示第二绿色情绪分数；基于其重要性来对所述第一绿色情绪分数和所述第二绿色情绪分数进行加权；以及对经加权的情绪分数进行聚合以提供绿色分数。
25.根据权利要求24的系统，其中，所述实体与交易证券相关联，所述社交媒体信息集表示关系到所述实体的绿色信息，并且所述第一或第二绿色分数表示所述实体的环境影响。
26.根据权利要求24的系统，其中，所述绿色分数模块包括可由处理器执行以基于附加的社交媒体信息集随时间修改所述绿色分数的代码，并且其中所述输出被适配成传送经修改的绿色分数。
27.根据权利要求24的系统，还包括被适配成由处理器执行的情绪模块，并且所述情绪模块包括代码，所述代码可由处理器执行以：
将社交媒体信息集中的文本标识为表示所述实体；以及
至少部分地基于所标识的文本的基于文本的情绪分析来确定情绪分数，并且其中所述绿色分数表示绿色情绪分数。
28.根据权利要求24的系统，还包括用于至少部分地基于绿色分数将所述实体认证为绿色合规的装置。
29.根据权利要求24的系统，其中，所述输出被适配成传送包括反映多个绿色分数的数据的数据馈送。
30.根据权利要求24的系统，还包括可由处理器执行以至少部分地基于所计算的绿色分数的值来生成关系到所述实体的警报信号的代码。
31.根据权利要求24的系统，还包括代码，所述代码可由处理器执行以将所述社交媒体信息集中的文本标识为表示所述实体，并且可执行以从所述社交媒体信息集提取被标识为表示与所述实体的环境影响相关的情绪的文本。
32.根据权利要求31的方法，还包括可由处理器执行以进行如下操作的代码：标识所嵌入的元数据或其他描述符；处理文本、词语、短语；以及应用自然语言语言学分析。
33.根据权利要求24的系统，还包括可由处理器执行以聚合来自多个源的内容集的代码，所述多个源包括至少一个社交媒体源和来自包括以下项的组中的至少一个附加的源：新闻网站；在线论坛；政府机构的网站；学术机构、政党的网站；在线杂志网站；博客网站；微博网站；社交和专业人士联网站点；在线宣传和筹款网站；Facebook；Twitter；以及信息聚合商，其中所述信息聚合商从来自多个源的源集聚合内容，所述内容集包括所述社交媒体信息集。
34.根据权利要求24的系统，还包括被适配成标识要与复合索引相关联的公司集的复合索引模块，所述公司集包括所述实体并且与证券集相关联，所述复合索引模块还被适配成至少部分地基于所述社交媒体信息集来生成针对所述证券集的复合环境索引，并且其中所述输出被适配成传送与所述复合环境索引相关联的信号。
35.根据权利要求34的系统，其中，所述复合索引模块包括可由处理器执行以至少部分地基于与所述公司集相关联的绿色分数集来确定所述复合环境索引的代码。
36.根据权利要求24的系统，其中，所述绿色分数被实时地生成。
37.根据权利要求24的系统，其中，得到所述绿色分数是基于以下正面准则中的一个或多个：产品或制造环境相关的合规性或认证；能量效率；促进环境管理工作、消费者保护、人权和多样性的企业实践，在绿色技术、能量高效技术、替代燃料技术、可再生资源技术中所涉及的业务/产品，和/或基于以下负面准则中的一个或多个：在酒、烟草、赌博、武器和/或军事方面所涉及的业务，以及环境标准不合规的业务。
38.根据权利要求24的系统，其中，所述实体与市场上交易的证券相关联，并且还包括可由处理器执行以应用预测性模型或分类法来得到与所述证券相关联的预测行为的代码。
39.根据权利要求38的系统，其中，所述输出被适配成传送表示所述预测行为的表达和/或要根据所述预测行为而采取的建议动作的信号。
40.根据权利要求39的系统，其中，所述建议动作涉及关系到所述证券的交易决策，并且是由买入、卖出或持有构成的组中的一项。
41.根据权利要求24的系统，其中，所述社交媒体信息集基于时间价值来标识。
42.根据权利要求24的系统，还包括可由处理器执行以生成表示潜在风险的风险信号的代码。
43.根据权利要求24的系统，还包括：
存储在存储器中并且可由处理器访问的风险指示模式集；以及
具有代码的风险标识模块，所述代码可由处理器执行以通过使用至少部分地基于所述风险指示模式集的风险标识算法来在所述社交媒体信息集内标识与所述实体相关联的潜在风险集。
44.根据权利要求43的系统，其中，所述风险标识模块包括可由处理器执行以进行如下操作的代码：把所述潜在风险集与所述风险指示模式进行比较以获得先决条件风险集，生成表示所述先决条件风险集的信号，以及把表示所述先决条件风险集的信号存储在所述存储器中。
45.根据权利要求24的系统，还包括分类模块，所述分类模块具有可由处理器执行的代码并且被适配成标识绿色分类以及针对包括在所述绿色分类中从每个均具有绿色分数的实体集选择实体，所述选择至少部分地基于相应的实体绿色分数。
46.根据权利要求45的系统，其中，所述分类模块包括可由处理器执行以将公司认证为绿色合规的代码，并且其中所选择的实体中的每个被认证为绿色合规的。
CN201280070735.0A 2011-12-27 2012-12-26 用于使用数据和情绪分析来生成绿色分数的方法及系统 Active CN104137128B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/337703 2011-12-27
US13/337,703 US20120316916A1 (en) 2009-12-01 2011-12-27 Methods and systems for generating corporate green score using social media sourced data and sentiment analysis
PCT/US2012/071626 WO2013101812A1 (en) 2011-12-27 2012-12-26 Methods and systems for generating corporate green score using social media sourced data and sentiment analysis

Publications (2)

Publication Number Publication Date
CN104137128A CN104137128A (zh) 2014-11-05
CN104137128B true CN104137128B (zh) 2018-12-14

Family

ID=48698589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280070735.0A Active CN104137128B (zh) 2011-12-27 2012-12-26 用于使用数据和情绪分析来生成绿色分数的方法及系统

Country Status (7)

Country Link
US (1) US20120316916A1 (zh)
EP (2) EP2798588A4 (zh)
CN (1) CN104137128B (zh)
CA (1) CA2862273C (zh)
HK (1) HK1203678A1 (zh)
SG (2) SG10201605264PA (zh)
WO (1) WO2013101812A1 (zh)

Families Citing this family (106)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120296845A1 (en) * 2009-12-01 2012-11-22 Andrews Sarah L Methods and systems for generating composite index using social media sourced data and sentiment analysis
US9841184B2 (en) * 2010-02-26 2017-12-12 Dominion Engineering, Inc. Method and apparatus for evaluating repair and remediation alternatives for heat exchangers
US9721229B1 (en) * 2010-12-30 2017-08-01 United Services Automobile Association (Usaa) Systems and methods for monitored social media participation
US20130073480A1 (en) * 2011-03-22 2013-03-21 Lionel Alberti Real time cross correlation of intensity and sentiment from social media messages
US20170004521A1 (en) * 2011-07-25 2017-01-05 Prevedere, Inc Systems and methods for generating industry outlook scores
US9727924B2 (en) * 2011-10-10 2017-08-08 Salesforce.Com, Inc. Computer implemented methods and apparatus for informing a user of social network data when the data is relevant to the user
CA2864076C (en) * 2012-02-07 2022-10-04 Social Market Analytics, Inc. Systems and methods of detecting, measuring, and extracting signatures of signals embedded in social media data streams
US10353738B2 (en) * 2012-03-21 2019-07-16 International Business Machines Corporation Resource allocation based on social networking trends in a networked computing environment
US9396179B2 (en) * 2012-08-30 2016-07-19 Xerox Corporation Methods and systems for acquiring user related information using natural language processing techniques
US9852239B2 (en) * 2012-09-24 2017-12-26 Adobe Systems Incorporated Method and apparatus for prediction of community reaction to a post
US20140089038A1 (en) * 2012-09-26 2014-03-27 Sap Ag Applying of social media metrics for supplier evaluation
US20140172751A1 (en) * 2012-12-15 2014-06-19 Greenwood Research, Llc Method, system and software for social-financial investment risk avoidance, opportunity identification, and data visualization
WO2014093935A1 (en) * 2012-12-16 2014-06-19 Cloud 9 Llc Vital text analytics system for the enhancement of requirements engineering documents and other documents
US20140201626A1 (en) * 2013-01-14 2014-07-17 Tomveyi Komlan Bidamon Social media helping users to contribute, value and identify their culture and race while creating greater inter- and intra-cultural relationships on common grounds of interest
CN103049804B (zh) * 2013-01-15 2016-08-24 西安交通大学 一种基于量子力学和社交网络的股票价格趋势预测方法
US20150012410A1 (en) * 2013-07-03 2015-01-08 Brent M. Eastwood Govbrain™ method, apparatus, and computer software
SG10201403898TA (en) * 2013-07-05 2015-02-27 Barrett Carter Keith Computer-implemented intelligence tool
US10063450B2 (en) * 2013-07-26 2018-08-28 Opentv, Inc. Measuring response trends in a digital television network
US20150242815A1 (en) * 2014-02-21 2015-08-27 Zoom International S.R.O. Adaptive workforce hiring and analytics
US10621505B2 (en) * 2014-04-17 2020-04-14 Hypergrid, Inc. Cloud computing scoring systems and methods
US10121203B2 (en) 2014-05-08 2018-11-06 State Farm Mutual Automobile Insurance Company Systems and methods for identifying and assessing location-based risks for vehicles
US10769175B1 (en) 2014-06-20 2020-09-08 Amazon Technologies, Inc. Real-time hosted system analytics
US20150370882A1 (en) 2014-06-20 2015-12-24 Amazon Technologies, Inc. Use of dependency graphs to dynamically update n-dimensional cubes
US11868372B1 (en) 2014-06-20 2024-01-09 Amazon Technologies, Inc. Automated hierarchy detection for cloud-based analytics
US20150378795A1 (en) 2014-06-27 2015-12-31 Pivotal Software, Inc. Stream computing event models
WO2016009419A1 (en) 2014-07-16 2016-01-21 Oshreg Technologies Ltd. System and method for ranking news feeds
US10084913B2 (en) 2014-08-18 2018-09-25 Wells Fargo Bank, N.A. Sentiment management system
US20160055164A1 (en) * 2014-08-25 2016-02-25 Tll, Llc News alert system and method
US20170315996A1 (en) * 2014-10-31 2017-11-02 Longsand Limited Focused sentiment classification
US20160140619A1 (en) * 2014-11-14 2016-05-19 Adobe Systems Incorporated Monitoring and responding to social media posts with socially relevant comparisons
US20160162582A1 (en) * 2014-12-09 2016-06-09 Moodwire, Inc. Method and system for conducting an opinion search engine and a display thereof
US20160267497A1 (en) * 2015-03-11 2016-09-15 Linkedin Corporation Measuring an organization's impact in a social networking system based off member interactions with organization content
US10298535B2 (en) 2015-05-19 2019-05-21 Facebook, Inc. Civic issues platforms on online social networks
US20160364733A1 (en) * 2015-06-09 2016-12-15 International Business Machines Corporation Attitude Inference
AU2016298790A1 (en) 2015-06-11 2017-11-23 Financial & Risk Organisation Limited Risk identification and risk register generation system and engine
KR101741509B1 (ko) * 2015-07-01 2017-06-15 지속가능발전소 주식회사 뉴스의 데이터마이닝을 통한 기업 평판 분석 장치 및 방법, 그 방법을 수행하기 위한 기록 매체
US10073794B2 (en) 2015-10-16 2018-09-11 Sprinklr, Inc. Mobile application builder program and its functionality for application development, providing the user an improved search capability for an expanded generic search based on the user's search criteria
US20170148097A1 (en) * 2015-11-23 2017-05-25 Indiana University Research And Technology Corporation Systems and methods for deriving financial information from emotional content analysis
US11004096B2 (en) 2015-11-25 2021-05-11 Sprinklr, Inc. Buy intent estimation and its applications for social media data
US10467276B2 (en) * 2016-01-28 2019-11-05 Ceeq It Corporation Systems and methods for merging electronic data collections
US11816701B2 (en) 2016-02-10 2023-11-14 Adobe Inc. Techniques for targeting a user based on a psychographic profile
US10878433B2 (en) * 2016-03-15 2020-12-29 Adobe Inc. Techniques for generating a psychographic profile
US10467631B2 (en) 2016-04-08 2019-11-05 International Business Machines Corporation Ranking and tracking suspicious procurement entities
US11526944B1 (en) * 2016-06-08 2022-12-13 Wells Fargo Bank, N.A. Goal recommendation tool with crowd sourcing input
CN109937415B (zh) * 2016-06-28 2023-11-07 金融及风险组织有限公司 使用多个路径在图形数据库中进行相关性评分的装置、方法和系统
JP6159002B1 (ja) * 2016-09-20 2017-07-05 ヤフー株式会社 推定装置、推定方法及び推定プログラム
US11373198B2 (en) * 2016-12-02 2022-06-28 Honda Motor Co., Ltd. Evaluation device, evaluation method, and evaluation program
US11205103B2 (en) 2016-12-09 2021-12-21 The Research Foundation for the State University Semisupervised autoencoder for sentiment analysis
US10397326B2 (en) 2017-01-11 2019-08-27 Sprinklr, Inc. IRC-Infoid data standardization for use in a plurality of mobile applications
US10614164B2 (en) 2017-02-27 2020-04-07 International Business Machines Corporation Message sentiment based alert
US20180308032A1 (en) * 2017-04-24 2018-10-25 Aspiration Partners, Inc. System and method for determining impact measurement scores based upon consumer transactions
US10212541B1 (en) 2017-04-27 2019-02-19 Snap Inc. Selective location-based identity communication
KR102434361B1 (ko) * 2017-04-27 2022-08-19 스냅 인코포레이티드 지도-기반 소셜 미디어 플랫폼들에 대한 위치 프라이버시 관리
WO2018213207A1 (en) 2017-05-15 2018-11-22 Aiya Llc System for increasing betting level of profitability and methods of use
US11244388B2 (en) * 2017-06-08 2022-02-08 Flowcast, Inc. Methods and systems for assessing performance and risk in financing supply chain
US10521863B2 (en) 2017-08-22 2019-12-31 Bdc Ii, Llc Climate data processing and impact prediction systems
US11694269B2 (en) 2017-08-22 2023-07-04 Entelligent Inc. Climate data processing and impact prediction systems
GB201713821D0 (en) * 2017-08-29 2017-10-11 Factmata Ltd Content scoring
US11238535B1 (en) 2017-09-14 2022-02-01 Wells Fargo Bank, N.A. Stock trading platform with social network sentiment
CH714168B1 (de) * 2017-11-07 2019-03-15 Jiang Shan Computerimplementiertes Verfahren, System, Computerprogramm und Datenträger zum Erstellen eines Leistungsrangordnungsdatensatzes.
US10963688B2 (en) 2017-12-10 2021-03-30 Walmart Apollo, Llc Systems and methods for a customer feedback classification system
US11030253B2 (en) * 2018-03-02 2021-06-08 Sap Se Managing data feeds from different applications for users
US20210065296A1 (en) * 2018-03-26 2021-03-04 Ziggurat Technologies, Inc. Intelligent trading and risk management framework
US11481837B1 (en) 2018-04-12 2022-10-25 Wells Fargo Bank, N.A. Authentication circle management
US11386412B1 (en) 2018-04-12 2022-07-12 Wells Fargo Bank, N.A. Authentication circle management
JP7092998B2 (ja) * 2018-04-26 2022-06-29 富士通株式会社 分析プログラム及び分析方法
US10943308B1 (en) 2018-05-03 2021-03-09 Wells Fargo Bank, N.A. Systems and methods for pervasive advisor for major expenditures
US11893543B2 (en) * 2018-05-15 2024-02-06 International Business Machines Corporation Optimized automatic consensus determination for events
CN108985067A (zh) * 2018-06-07 2018-12-11 阿里巴巴集团控股有限公司 基于自动化回溯的内容处理方法和装置
EP3834162A4 (en) * 2018-08-08 2022-06-15 Taskhuman, Inc. DYNAMIC AND CONTINUOUS ENTRY OF SERVICE PROVIDERS INTO AN ONLINE EXPERT MARKETPLACE
US20200082939A1 (en) * 2018-09-07 2020-03-12 David A. DILL Evaluation system and method of use thereof
US10860807B2 (en) * 2018-09-14 2020-12-08 Microsoft Technology Licensing, Llc Multi-channel customer sentiment determination system and graphical user interface
CN109460940A (zh) * 2018-11-26 2019-03-12 北京香侬慧语科技有限责任公司 一种基于情感分析的预警方法及装置
KR102168198B1 (ko) * 2018-12-12 2020-10-20 지속가능발전소 주식회사 기업 부도 예측 시스템 및 이의 동작 방법
TWI742328B (zh) * 2018-12-12 2021-10-11 中華電信股份有限公司 金融風險管理裝置及金融風險管理方法
US11340963B2 (en) * 2019-01-08 2022-05-24 Microsoft Technology Licensing, Llc Augmentation of notification details
CN109961368A (zh) * 2019-03-18 2019-07-02 京东数字科技控股有限公司 基于机器学习的数据处理方法及装置
US11461847B2 (en) * 2019-03-21 2022-10-04 The University Of Chicago Applying a trained model to predict a future value using contextualized sentiment data
US11227120B2 (en) * 2019-05-02 2022-01-18 King Fahd University Of Petroleum And Minerals Open domain targeted sentiment classification using semisupervised dynamic generation of feature attributes
US20210026835A1 (en) * 2019-07-22 2021-01-28 Kpmg Llp System and semi-supervised methodology for performing machine driven analysis and determination of integrity due diligence risk associated with third party entities and associated individuals and stakeholders
AU2020316116A1 (en) * 2019-07-25 2022-03-17 TruValue Labs, Inc. Systems, methods, and devices for generating real-time analytics
US10867268B1 (en) 2019-08-09 2020-12-15 Capital One Services, Llc Compliance management for emerging risks
US20210090174A1 (en) * 2019-09-19 2021-03-25 FP Alpha, Inc. Rolling Feedback System For Financial And Risk Analysis Using Disparate Data Sources
CA3164556A1 (en) 2020-01-13 2021-07-22 TruValue Labs, Inc. Systems and method for dynamically updating materiality distributions and classifications
US11494792B2 (en) 2020-03-19 2022-11-08 Kyndryl, Inc. Predictive decision making based on influence identifiers and learned associations
TWI740426B (zh) * 2020-03-25 2021-09-21 臺灣土地銀行股份有限公司 計算電子支付機構貢獻度系統及方法
US11593678B2 (en) 2020-05-26 2023-02-28 Bank Of America Corporation Green artificial intelligence implementation
US11335336B2 (en) 2020-06-11 2022-05-17 Capital One Services, Llc Cognitive analysis of public communications
US20230342853A1 (en) * 2020-07-14 2023-10-26 University Hospitals Health System, Inc. Electronic impact platform for sustainable investment in socially responsible endeavors
CN112418671A (zh) * 2020-11-24 2021-02-26 南京大学 一种基于扰动粒子群的众测联盟建立方法
US11741547B1 (en) * 2021-03-17 2023-08-29 Interactive Brokers Llc Systems and methods for data normalization for use in scoring and balancing a portfolio
US11790385B2 (en) * 2021-04-13 2023-10-17 S&P Global Inc. ESG forecasting
IT202100009338A1 (it) * 2021-04-14 2022-10-14 Celera Digital S R L Sistema di interconnessione e predizione aziendale e metodo di funzionamento di sistema di segnalazione
US20220358150A1 (en) * 2021-05-07 2022-11-10 Refinitiv Us Organization Llc Natural language processing and machine-learning for event impact analysis
CN113361911A (zh) * 2021-06-04 2021-09-07 哈尔滨工业大学 一种基于资产风控的新媒体内容投放方法及设备
US20220414560A1 (en) * 2021-06-10 2022-12-29 Impact Cubed Limited, a Registered Private Company of the Bailiwick of JERSEY System and Method for Performing Environmental, Social, and Governance (ESG) Rating Across Multiple Asset Classes
WO2022271431A1 (en) * 2021-06-22 2022-12-29 The Dun And Bradstreet Corporation System and method that rank businesses in environmental, social and governance (esg)
KR102326222B1 (ko) * 2021-08-24 2021-11-15 (주) 위드플러스 행정 전략 시뮬레이션을 위한 콘텐츠 제공 장치 및 그 제공 방법
CN113779258B (zh) * 2021-11-10 2022-03-11 上海蜜度信息技术有限公司 公众满意度的分析方法、存储介质及电子设备
CN114240672B (zh) * 2021-12-15 2023-08-18 平安科技（深圳）有限公司 绿色资产的占比的识别方法及相关产品
CN114385894B (zh) * 2021-12-30 2024-05-31 粤开证券股份有限公司 一种基于词典的舆情监控方法及装置
GB202204061D0 (en) * 2022-03-23 2022-05-04 Williams Nicolson Ltd Analysing communications data
US20230342692A1 (en) * 2022-04-26 2023-10-26 Actimize Ltd. Climate risk assessment systems and methods
US20240013155A1 (en) * 2022-07-05 2024-01-11 Adp, Inc. Forcasting tool
TW202407558A (zh) 2022-08-01 2024-02-16 宏碁股份有限公司 搭配搜尋引擎的網頁評分方法與電子裝置
EP4432182A1 (en) * 2023-03-14 2024-09-18 Tata Consultancy Services Limited Systems and methods for identifying and analyzing risk events from data sources

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6490565B1 (en) * 1998-10-08 2002-12-03 Environmental Plus, Inc. Environmental certification system and method
US20020062368A1 (en) * 2000-10-11 2002-05-23 David Holtzman System and method for establishing and evaluating cross community identities in electronic forums
US20030018487A1 (en) * 2001-03-07 2003-01-23 Young Stephen B. System for assessing and improving social responsibility of a business
US20050071217A1 (en) * 2003-09-30 2005-03-31 General Electric Company Method, system and computer product for analyzing business risk using event information extracted from natural language sources
US20050102220A1 (en) * 2003-11-11 2005-05-12 Dowell Stackpole Method and system for investment trading venue selection
US8442953B2 (en) * 2004-07-02 2013-05-14 Goldman, Sachs & Co. Method, system, apparatus, program code and means for determining a redundancy of information
GB2419694A (en) * 2004-10-29 2006-05-03 Easyscreen Plc Trading portfolio risk management
US8095380B2 (en) * 2004-11-16 2012-01-10 Health Dialog Services Corporation Systems and methods for predicting healthcare related financial risk
US20080243716A1 (en) * 2007-03-29 2008-10-02 Kenneth Joseph Ouimet Investment management system and method
US8165891B2 (en) * 2007-12-31 2012-04-24 Roberts Charles E S Green rating system and associated marketing methods
US10372798B2 (en) * 2008-07-11 2019-08-06 Thomson Reuters Global Resources Unlimited Company System and methods for web-based control of desktop applications
US20100030799A1 (en) * 2008-07-30 2010-02-04 Parker Daniel J Method for Generating a Computer-Processed Financial Tradable Index
US20100100410A1 (en) * 2008-08-11 2010-04-22 Mcphail Elizabeth S Systems and Methods for Ecological Evaluation and Analysis of an Enterprise
US20100332373A1 (en) * 2009-02-26 2010-12-30 Jason Crabtree System and method for participation in energy-related markets
US20110137913A1 (en) * 2009-12-08 2011-06-09 Shahzad Bhatti Systems and Methods for Interest-Driven Stock market Segmentation and Stock Trading

Also Published As

Publication number Publication date
CA2862273A1 (en) 2013-07-04
SG11201403691QA (en) 2014-09-26
EP2798588A1 (en) 2014-11-05
SG10201605264PA (en) 2016-08-30
CA2862273C (en) 2022-07-19
CN104137128A (zh) 2014-11-05
US20120316916A1 (en) 2012-12-13
EP2798588A4 (en) 2015-08-05
EP3706064A1 (en) 2020-09-09
WO2013101812A1 (en) 2013-07-04
HK1203678A1 (zh) 2015-10-30

Similar Documents

Publication Publication Date Title
CN104137128B (zh) 用于使用数据和情绪分析来生成绿色分数的方法及系统
CN104995650B (zh) 用于使用源于社交媒体的数据和情绪分析来生成复合索引的方法及系统
Pejić Bach et al. Text mining for big data analysis in financial sector: A literature review
Liu et al. Public perceptions of environmental, social, and governance (ESG) based on social media data: Evidence from China
Akhtar et al. Detecting fake news and disinformation using artificial intelligence and machine learning to avoid supply chain disruptions
Baesens et al. Fraud analytics using descriptive, predictive, and social network techniques: a guide to data science for fraud detection
Lyon et al. The means and end of greenwash
US20120221486A1 (en) Methods and systems for risk mining and for generating entity risk profiles and for predicting behavior of security
US20120221485A1 (en) Methods and systems for risk mining and for generating entity risk profiles
Chen et al. From opinion mining to financial argument mining
Jallan et al. Text mining of the securities and exchange commission financial filings of publicly traded construction firms using deep learning to identify and assess risk
Daud et al. Finding rising stars in bibliometric networks
CN114303140A (zh) 与产品和服务相关的知识产权数据分析
Liu et al. Opportunistic behaviour in supply chain finance: a social media perspective on the ‘Noah event’
Da et al. Non-financial indicators for credit risk analysis of Chinese technology-oriented micro and small enterprises
Verma et al. Web mining: opinion and feedback analysis for educational institutions
Bogachek et al. Risk guidance and anti-corruption language: evidence from corporate codes of conduct
Zhuo et al. How are texts analyzed in blockchain research? A systematic literature review
Wade Transformers and tradition: using Generative AI and Deep Learning for financial markets prediction
Zaki An Ontological Approach for Monitoring and Surveillance Systems in Unregulated Markets
Goel et al. A systematic review of publications on blockchain application in the insurance industry
Tang Understanding Unconscious Bias by Large-scale Data Analysis
Cheong If you cannot measure it, you cannot manage it: three essays on cybersecurity risk assessment
Papakonstantinidis et al. The CRisis-OPportunity (CROP) framework: Finding Metavalue in Organizational Suboptimal Decisions through an AI Text Mining Process
Rho et al. A sentiment-based risk indicator for the Mexican financial sector

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1203678

Country of ref document: HK

CB02 Change of applicant information

Address after: Swiss Swiss

Applicant after: Thomsen Reuters global resources unlimited company

Address before: Swiss Swiss

Applicant before: Thomson Reuters Globle Resources

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20190507

Address after: London City

Patentee after: Finance and Risk Organizations Limited

Address before: Swiss Swiss

Patentee before: Thomsen Reuters global resources unlimited company

TR01 Transfer of patent right