CN110516242A - 基于机器学习算法识别负面金融资讯的方法和装置 - Google Patents

基于机器学习算法识别负面金融资讯的方法和装置 Download PDF

Info

Publication number
CN110516242A
CN110516242A CN201910789700.6A CN201910789700A CN110516242A CN 110516242 A CN110516242 A CN 110516242A CN 201910789700 A CN201910789700 A CN 201910789700A CN 110516242 A CN110516242 A CN 110516242A
Authority
CN
China
Prior art keywords
negative
financial information
algorithm model
sentence
training
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.)
Pending
Application number
CN201910789700.6A
Other languages
English (en)
Inventor
陈万康
杨晓倩
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.)
Beijing kubeijinfu Information Technology Co.,Ltd.
Original Assignee
Beijing Asian Union Star Information Technology Co Ltd
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 Beijing Asian Union Star Information Technology Co Ltd filed Critical Beijing Asian Union Star Information Technology Co Ltd
Priority to CN201910789700.6A priority Critical patent/CN110516242A/zh
Publication of CN110516242A publication Critical patent/CN110516242A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Finance (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及一种基于机器学习算法识别负面金融资讯的方法，包括获取待判断的金融资讯文本，对待判断的金融资讯文本进行句子的拆分；根据拆分的所有句子，运用预构建的算法模型一，对所有句子进行向量化处理，得到所有句子的负面或非负面分类结果；根据所有句子的负面或非负面分类结果，运用预构建的算法模型二，得到待判断的金融资讯文本是否为负面的判断结果。算法模型一和算法模型二是基于机器学习算法所构建的，通过利用机器学习算法分析以自然语言描述的金融资讯文本，以判断文本所反映的情绪是否为负面；这样既能够通过计算机实现大体量资讯的处理，同时又能够通过预构建的算法模型更准确判断资讯文本是否为负面。

Description

基于机器学习算法识别负面金融资讯的方法和装置
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于机器学习算法识别负面金融资讯的方法和装置。
背景技术
金融资讯是以金融领域为界，能够在相对较短的时间内给使用者带来有价值的信息。负面金融资讯和该资讯所涉及金融产品的投资价值有较高相关性，投资者可根据负面金融资讯内容，控制投资风险。
市面上现有的产品中，主要通过两种方式进行负面金融资讯的识别和分类，第一种是人工编辑，以人力方式将金融资讯中的负面资讯筛选出来并进行标记；第二种是负面词集合和/或负面规则集合可以借助计算机实现，预先设定文本中可能会出现的负面词和/或负面规则，通过判断一条资讯中负面词和/或负面规则出现的情况来判断该条资讯是否为负面金融资讯。第一种人工编辑的判断方式相应准确度较高，但花费时间较长，不具备向大体量资讯进行扩展的能力；第二种负面词和/或负面规则的判断方式可以借助计算机实现，能够快速处理大体量的资讯，但由于负面词的挑选和负面规则的制定无法穷举，所以在进行自然语言的情绪处理时，需要不断的补充新发现的负面词或负面规则，另外由于自然语言内容的更新速度很快，需要不断调整判断规则，资讯中一些“时髦”词语的使用很可能会影响资讯情绪的判断。
发明内容
本发明要解决的技术问题在于克服现有技术中的缺陷，提供一种既能够通过计算机实现大体量资讯的处理，同时又能够通过预构建的算法模型更准确判断自然语言所表达的情绪是否为负面的基于机器学习算法识别负面金融资讯的方法和装置。
为此，采用的技术方案为一种基于机器学习算法识别负面金融资讯的方法，包括获取待判断的金融资讯文本，对所述待判断的金融资讯文本进行句子的拆分；
根据拆分的所有句子，运用预构建的算法模型一，对所有句子进行向量化处理，得到所有句子的负面或非负面分类结果；
根据所述所有句子的负面或非负面分类结果，运用预构建的算法模型二，得到所述待判断的金融资讯文本是否为负面的判断结果。
优选的，还包括训练数据收集步骤，包括获取多个金融资讯文本作为预构建的算法模型一和算法模型二的训练集，所述训练集包括第一训练集和第二训练集，所述第一训练集包括对金融资讯文本进行句子拆分，采用人工标注的方法对句子进行负面或非负面分类结果标注，所述第二训练集包括采用人工标注的方法对金融资讯文本句子和对金融资讯文本整体分别进行负面或非负面分类结果标注。
优选的，包括获取句子信息作为输入，以及获取所述第一训练集中句子分类结果作为输入对模型进行训练，得到算法模型一的训练参数；其中，在模型训练过程中首先要对金融资讯文本句子信息做向量化参数表示；根据所述算法模型一的训练参数优化构建算法模型一。
优选的，包括获取所述第二训练集中金融资讯文本句子分类结果和金融资讯文本整体分类结果作为输入对模型进行训练，得到算法模型二的训练参数；根据所述算法模型二的训练参数优化构建算法模型二。
优选的，所述算法模型一和所述算法模型二基于机器学习算法中的循环神经网络处理文本信息。
一种基于机器学习算法识别负面金融资讯的装置，包括：
文本获取模块，用于获取待判断的金融资讯文本，对所述待判断的金融资讯文本进行句子的拆分；
第一判断模块，用于根据拆分的所有句子，运用预构建的算法模型一，对所有句子进行向量化处理，得到所有句子的负面或非负面分类结果；
第二判断模块，根据所述所有句子的负面或非负面分类结果，运用预构建的算法模型二，得到所述待判断的金融资讯文本是否为负面的判断结果。
优选的，还包括训练数据收集模块，用于获取多个金融资讯文本作为预构建的算法模型一和算法模型二的训练集，所述训练集包括第一训练集和第二训练集，所述第一训练集包括对金融资讯文本进行句子拆分，采用人工标注的方法对句子进行负面或非负面分类结果标注，所述第二训练集包括采用人工标注的方法对金融资讯文本句子和对金融资讯文本整体分别进行负面或非负面分类结果标注。
优选的，包括第一构建模块，用于获取句子信息作为输入，以及获取所述第一训练集中句子分类结果作为输入对模型进行训练，得到算法模型一的训练参数；其中，在模型训练过程中首先要对句子信息做向量化参数表示；根据所述算法模型一的训练参数优化构建算法模型一。
优选的，包括第二构建模块，用于获取所述第二训练集中金融资讯文本句子分类结果和金融资讯文本整体分类结果作为输入对模型进行训练，得到算法模型二的训练参数；
根据所述算法模型二的训练参数优化构建算法模型二。
本发明提供的基于机器学习算法识别负面金融资讯的方法，通过采用人工标注句子和文本的方法来训练算法模型，并基于机器学习算法优选使用循环神经网络(RNN)的一种算法模型——长短期记忆模型(LSTM)，这样可以更好的处理文本信息，得到满足实际需要的分类结果，从而实现利用机器学习算法解析金融资讯，对金融资讯表达的情绪进行判断，判断其是否为负面资讯；因此，本发明的优势在于既能够通过计算机实现大体量资讯的处理，同时又能够通过机器学习算法更准确的提取资讯所表达的负面信息，从而更好的判断自然语言所表达的情绪是否为负面；由于负面金融资讯和该资讯所涉及金融产品的投资价值有较高相关性，从而有利于投资者可根据识别出的负面金融资讯内容，控制投资风险。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于机器学习算法识别负面金融资讯的方法的流程图；
图2为本发明提供的算法模型的训练方法流程图；
图3为本发明提供的基于机器学习算法识别负面金融资讯的装置。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
机器学习算法是人工智能的核心，是实现人工智能应用的根本途径。计算机通过模拟和学习人类实现目标的行为方式和思考路径，来替代人完成工作。循环神经网络(Recurrent Neural Network，简称RNN)是一种具体的机器学习算法，一种节点定向连接成环的人工神经网络，该模型擅长对自然语言序列建模，把任意长度的句子转化为特定维度的浮点数向量，同时“记住”句子中比较重要的单词，让“记忆”保存比较长的时间。长短期记忆模型(LSTM)是RNN模型的一种，其增加了输入门、输出门、忘记门三个控制单元，提高了序列依赖的处理能力。
图1是本发明提供的一种基于机器学习算法识别负面金融资讯的方法的流程图，包括以下步骤：
获取待判断的金融资讯文本，对所述待判断的金融资讯文本进行句子的拆分；
根据拆分的所有句子，运用预构建的算法模型一，对所有句子进行向量化处理，得到所有句子的负面或非负面分类结果；
根据所述所有句子的负面或非负面分类结果，运用预构建的算法模型二，得到所述待判断的金融资讯文本是否为负面的判断结果。
本发明的算法模型一和算法模型二是基于机器学习算法所构建的，这样利用机器学习算法分析以自然语言描述的金融资讯，对资讯文本进行分析，以判断文本所反映的情绪是否为负面。
图2是本发明提供的算法模型的训练方法流程图，该流程如下：
基于机器学习算法识别负面金融资讯的方法还包括训练数据收集步骤，包括获取多个金融资讯文本作为预构建的算法模型一和算法模型二的训练集，所述训练集包括第一训练集和第二训练集，所述第一训练集包括对金融资讯文本进行句子拆分，采用人工标注的方法对句子进行负面或非负面分类结果标注，所述第二训练集包括采用人工标注的方法对金融资讯文本句子和对金融资讯文本整体分别进行负面或非负面分类结果标注。
包括获取句子信息作为输入，以及获取所述第一训练集中句子分类结果作为输入对模型进行训练，得到算法模型一的训练参数；其中，在模型训练过程中首先要对随机获取的多个句子信息做向量化参数表示；根据所述算法模型一的训练参数优化构建算法模型一。
包括获取所述第二训练集中金融资讯文本句子分类结果和金融资讯文本整体分类结果作为输入对模型进行训练，得到算法模型二的训练参数；根据所述算法模型二的训练参数优化构建算法模型二。
所述算法模型一和所述算法模型二基于机器学习算法中的循环神经网络处理文本信息。
本发明提供的算法模型的训练方法的具体步骤如下：
首先，选择机器学习算法，经过一系列算法比较，使用循环神经网络(RNN)中的算法模型之一，即长短期记忆模型(LSTM)可以更好的处理文本信息，得到满足实际需要的分类结果。
其次，挑选一定数量的金融资讯文本作为模型的训练集。由于整个流程中涉及两次模型的应用，并且两次模型的输入、输出内容不同，因此需要两批人工标注的分类结果作为训练集。算法模型一应用的训练集为人工标注的句子的负面或非负面分类结果，即第一训练集。算法模型二应用的训练集为人工标注的金融资讯文本句子和金融资讯文本整体的负面或非负面分类结果，即第二训练集。
再次，对模型进行参数训练，得到可用的算法模型一。用随机获取的句子信息作为输入，以及人工标注的句子分类结果作为输入对模型进行训练，得到算法模型一的训练参数；在模型训练过程中，首先要对该随机获取的句子信息做向量化参数表示。
接着，对模型继续进行参数训练，得到可用的算法模型二。用人工标注的金融资讯文本句子分类结果和金融资讯文本整体分类结果作为输入对模型进行训练，得到算法模型二的训练参数。
模型在训练过程中，所使用的的训练集可以是同一批资讯对象，也可以不是同一批资讯对象。但是训练过程对于两个模型而言是相互独立的，也就是说，第二个模型在训练过程中的输入与第一个模型的输出无关。只有在实际应用模型时，第一个模型的输出才会成为第二个模型的输入。
在本实施例中，使用长短期记忆模型(LSTM)作为识别负面金融资讯的模型；对于使用其他RNN模型，也可以实现识别负面金融资讯的功能，在此处不做过多限定。相比较而言，使用长短期记忆模型(LSTM)，识别效果更符合预期。
算法模型训练的实施例：
样本文本信息为“①近期关于XX集团的负面新闻层出不穷，从拖欠员工工资到大量出售4S店，再到控股股东股份被冻结，XX集团似乎经历着一场关乎生死的重大变革，而资金链问题已成为其激进扩张下难以挥去的阴霾。②2011年，XX集团登陆上海证券交易所，上市筹集资金高达63亿元。③彼时，XX集团是“中国XXXX十大企业集团”第一名，全球市值最高的XX经销商集团。④如今，控股股东股权质押、冻结，卖资产断臂瘦身等事件让昔日XX经销商第一股黯然失色。⑤同时员工工资拖欠多月、高管减持、4S店携保险押金跑路。”
人工标注结果为：
文本内容 标注结果(负面为1，非负面为0)
资讯整体 1
句子① 1
句子② 0
句子③ 0
句子④ 1
句子⑤ 1
对该样本文本的句子文本进行向量化操作，将其结果作为输入，将句子的标注结果作为输入，用于训练算法模型一(RNN模型)的参数。使用随机选取的若干句子样本重复上述过程，以达到训练算法模型一的目的。训练完成后，算法模型一可用于句子文本的负面判断。
仍以上述资讯文本为例，对于资讯文本的句子进行拆分并人工判断句子的分类结果和资讯文本整体的分类结果，将其结果作为输入，用于训练算法模型二(RNN模型)的参数。
使用随机选取的若干金融资讯文本样本重复上述过程，以达到训练算法模型二的目的。训练完成后，算法模型一和算法模型二可以用于金融资讯文本是否为负面的判断。
判断金融资讯文本是否为负面的实施例：
待判断样本原始信息为“①近日，XXXX向债权人发送了债务重组方案，而这一重组方案引起债权人不满。②无独有偶，XX集团的债转股方案也遭到投资人质疑。③一旦债权人不同意，这些债转股方案将被迫搁置。④这背后到底是企业给出的方案缺乏诚意，还是债权人“刚兑”心理使然不肯让步？⑤中国证券报记者调查了数家企业的债转股情况。⑥调查显示，由于种种原因，企业和债权人难以建立信任。⑦债权人质疑企业逃废债，而企业则认为债权人一直寄望“刚兑”是债转股难以推进的重要原因。⑧业内人士指出，培育市场化困境投资机构，是打破僵局、盘活债转股市场的关键。”
对上述待判断资讯文本进行句子的拆分，将其结果作为算法模型一的输入，使用算法模型一进行判断，结果为：
然后将对句子的判断结果作为算法模型二的输入，使用算法模型二进行判断，结果判断资讯文本为“负面”金融资讯。
如图3所示，一种基于机器学习算法识别负面金融资讯的装置，包括：
文本获取模块310，用于获取待判断的金融资讯文本，对所述待判断的金融资讯文本进行句子的拆分；
第一判断模块320，用于根据拆分的所有句子，运用预构建的算法模型一，对所有句子进行向量化处理，得到所有句子的负面或非负面分类结果；
第二判断模块330，根据所述所有句子的负面或非负面分类结果，运用预构建的算法模型二，得到所述待判断的金融资讯文本是否为负面的判断结果。
识别负面金融资讯的装置还包括训练数据收集模块，用于获取多个金融资讯文本作为预构建的算法模型一和算法模型二的训练集，所述训练集包括第一训练集和第二训练集，所述第一训练集包括对金融资讯文本进行句子拆分，采用人工标注的方法对句子进行负面或非负面分类结果标注，所述第二训练集包括采用人工标注的方法对金融资讯文本句子和对金融资讯文本整体分别进行负面或非负面分类结果标注。
识别负面金融资讯的装置还包括第一构建模块，用于获取句子信息作为输入，以及获取所述第一训练集中句子分类结果作为输入对模型进行训练，得到算法模型一的训练参数；其中，在模型训练过程中首先要对句子信息做向量化参数表示；根据所述算法模型一的训练参数优化构建算法模型一。
识别负面金融资讯的装置还包括第二构建模块，用于获取所述第二训练集中金融资讯文本句子分类结果和金融资讯文本整体分类结果作为输入对模型进行训练，得到算法模型二的训练参数；根据所述算法模型二的训练参数优化构建算法模型二。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种基于机器学习算法识别负面金融资讯的方法，其特征在于，包括：
获取待判断的金融资讯文本，对所述待判断的金融资讯文本进行句子的拆分；
根据拆分的所有句子，运用预构建的算法模型一，对所有句子进行向量化处理，得到所有句子的负面或非负面分类结果；
根据所述所有句子的负面或非负面分类结果，运用预构建的算法模型二，得到所述待判断的金融资讯文本是否为负面的判断结果。
2.根据权利要求1所述的方法，其特征在于，还包括训练数据收集步骤，包括获取多个金融资讯文本作为预构建的算法模型一和算法模型二的训练集，所述训练集包括第一训练集和第二训练集，所述第一训练集包括对金融资讯文本进行句子拆分，采用人工标注的方法对句子进行负面或非负面分类结果标注，所述第二训练集包括采用人工标注的方法对金融资讯文本句子和对金融资讯文本整体分别进行负面或非负面分类结果标注。
3.根据权利要求2所述的方法，其特征在于，包括获取句子信息作为输入，以及获取所述第一训练集中句子分类结果作为输入对模型进行训练，得到算法模型一的训练参数；
其中，在模型训练过程中首先要对句子信息做向量化参数表示；
根据所述算法模型一的训练参数优化构建算法模型一。
4.根据权利要求2所述的方法，其特征在于，包括获取所述第二训练集中金融资讯文本句子分类结果和金融资讯文本整体分类结果作为输入对模型进行训练，得到算法模型二的训练参数；
根据所述算法模型二的训练参数优化构建算法模型二。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述算法模型一和所述算法模型二基于机器学习算法中的循环神经网络处理文本信息。
6.一种基于机器学习算法识别负面金融资讯的装置，其特征在于，包括：
文本获取模块，用于获取待判断的金融资讯文本，对所述待判断的金融资讯文本进行句子的拆分；
第一判断模块，用于根据拆分的所有句子，运用预构建的算法模型一，对所有句子进行向量化处理，得到所有句子的负面或非负面分类结果；
第二判断模块，根据所述所有句子的负面或非负面分类结果，运用预构建的算法模型二，得到所述待判断的金融资讯文本是否为负面的判断结果。
7.根据权利要求6所述的装置，其特征在于，还包括训练数据收集模块，用于获取多个金融资讯文本作为预构建的算法模型一和算法模型二的训练集，所述训练集包括第一训练集和第二训练集，所述第一训练集包括对金融资讯文本进行句子拆分，采用人工标注的方法对句子进行负面或非负面分类结果标注，所述第二训练集包括采用人工标注的方法对金融资讯文本句子和对金融资讯文本整体分别进行负面或非负面分类结果标注。
8.根据权利要求7所述的装置，其特征在于，包括第一构建模块，用于获取句子信息作为输入，以及获取所述第一训练集中句子分类结果作为输入对模型进行训练，得到算法模型一的训练参数；
其中，在模型训练过程中首先要对句子信息做向量化参数表示；
根据所述算法模型一的训练参数优化构建算法模型一。
9.根据权利要求7所述的装置，其特征在于，包括第二构建模块，用于获取所述第二训练集中金融资讯文本句子分类结果和金融资讯文本整体分类结果作为输入对模型进行训练，得到算法模型二的训练参数；
根据所述算法模型二的训练参数优化构建算法模型二。
CN201910789700.6A 2019-08-26 2019-08-26 基于机器学习算法识别负面金融资讯的方法和装置 Pending CN110516242A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910789700.6A CN110516242A (zh) 2019-08-26 2019-08-26 基于机器学习算法识别负面金融资讯的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910789700.6A CN110516242A (zh) 2019-08-26 2019-08-26 基于机器学习算法识别负面金融资讯的方法和装置

Publications (1)

Publication Number Publication Date
CN110516242A true CN110516242A (zh) 2019-11-29

Family

ID=68627020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910789700.6A Pending CN110516242A (zh) 2019-08-26 2019-08-26 基于机器学习算法识别负面金融资讯的方法和装置

Country Status (1)

Country Link
CN (1) CN110516242A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914553A (zh) * 2020-08-11 2020-11-10 民生科技有限责任公司 一种基于机器学习的金融信息负面主体判定的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384166A (zh) * 2016-09-12 2017-02-08 中山大学 一种结合财经新闻的深度学习股市预测方法
CN106776581A (zh) * 2017-02-21 2017-05-31 浙江工商大学 基于深度学习的主观性文本情感分析方法
CN107944014A (zh) * 2017-12-11 2018-04-20 河海大学 一种基于深度学习的中文文本情感分析方法
CN109472470A (zh) * 2018-10-23 2019-03-15 重庆誉存大数据科技有限公司 结合深度学习和逻辑规则的企业新闻数据风险分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384166A (zh) * 2016-09-12 2017-02-08 中山大学 一种结合财经新闻的深度学习股市预测方法
CN106776581A (zh) * 2017-02-21 2017-05-31 浙江工商大学 基于深度学习的主观性文本情感分析方法
CN107944014A (zh) * 2017-12-11 2018-04-20 河海大学 一种基于深度学习的中文文本情感分析方法
CN109472470A (zh) * 2018-10-23 2019-03-15 重庆誉存大数据科技有限公司 结合深度学习和逻辑规则的企业新闻数据风险分类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914553A (zh) * 2020-08-11 2020-11-10 民生科技有限责任公司 一种基于机器学习的金融信息负面主体判定的方法
CN111914553B (zh) * 2020-08-11 2023-10-31 民生科技有限责任公司 一种基于机器学习的金融信息负面主体判定的方法

Similar Documents

Publication Publication Date Title
Afana et al. Artificial neural network for forecasting car mileage per gallon in the city
CN108898476A (zh) 一种贷款客户信用评分方法和装置
Kirange et al. Sentiment Analysis of news headlines for stock price prediction
CN110415111A (zh) 基于用户数据与专家特征合并逻辑回归信贷审批的方法
CN111291925A (zh) 一种基于人工智能的金融市场预测及决策的系统、方法
CN107368526A (zh) 一种数据处理方法及装置
Kumari et al. Prediction of stock price using machine learning techniques: A survey
Miah et al. Price prediction of stock market using hybrid model of artificial intelligence
CN110516242A (zh) 基于机器学习算法识别负面金融资讯的方法和装置
Wei et al. Energy financial risk early warning model based on Bayesian network
CN111400445B (zh) 一种基于相似文本的案件繁简分流方法
Wei et al. (Retracted) Image analysis and pattern recognition method of three-dimensional process in physical education teaching based on big data
Wongkhamdi et al. A comparison of classical discriminant analysis and artificial neural networks in predicting student graduation outcomes
Raghavendra et al. Evaluation of feature selection methods for predictive modeling using neural networks in credits scoring
Mao et al. Information system construction and research on preference of model by multi-class decision tree regression
Deng Construction of a digital platform for enterprise financial management based on visual processing technology
CN114549195A (zh) 基于产业链图谱的市值重估分析方法及可视化分析系统
KR20220083450A (ko) 설명 가능한 인공지능을 이용한 법률 문서 유사도 분석 시스템 및 방법
Babaei et al. GPT classifications, with application to credit lending
Lozano-Medina et al. Risk profiles of financial service portfolio for women segment using machine learning algorithms
Naykhanova et al. A study of decision tree application in the problem of accounting for non-insured periods of a pensioner
Bharne et al. Stock market prediction using artificial neural networks
Chang et al. Using the XGBoost Model to Predict Santander Customer Trading
Reddy et al. Bitcoin Price Prediction and Forecasting
Lu et al. Machine Learning in Stock Market Movement Intelligent Forecast System

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20200803

Address after: 100176 1604, building 2, yard 2, Ronghua South Road, economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Asian Union Innovation Technology Co.,Ltd.

Address before: 100088 12 / F, Guanhai building, No.2, Madian Road, Huayuan Road, Haidian District, Beijing

Applicant before: BEIJING AFCA STAR INFORMATION TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220322

Address after: 100176 1603, building 2, courtyard 2, Ronghua South Road, economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Beijing kubeijinfu Information Technology Co.,Ltd.

Address before: 100176 1604, building 2, courtyard 2, Ronghua South Road, economic and Technological Development Zone, Daxing District, Beijing

Applicant before: Asian Union Innovation Technology Co.,Ltd.

TA01 Transfer of patent application right
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191129

WD01 Invention patent application deemed withdrawn after publication