微博環(huán)境下公司金融事件檢測方法研究
發(fā)布時(shí)間:2022-08-09 11:26
隨著近年來互聯(lián)網(wǎng)與社交網(wǎng)絡(luò)自媒體的不斷發(fā)展,社交平臺轉(zhuǎn)變?yōu)樾畔鞑ヅc獲取的重要陣地。微博以其反應(yīng)快速、語言簡練、官方認(rèn)證等特征,成為國內(nèi)社交的代表性平臺。金融市場對金融事件敏感,瞬息萬變。由于微博等社交平臺信息獲取的低成本性,投資者可通過其減小信息不對稱所產(chǎn)生的投資影響,企業(yè)則可實(shí)時(shí)獲取金融資訊,明確競爭對手策略,輔助企業(yè)做出決策。因此追蹤微博平臺中公司信息,檢測其中金融事件,不僅對投資者投資決策與投資行為制定有輔助作用,還為公司戰(zhàn)略制定提供競爭情報(bào)及商業(yè)見解,具有重要的研究意義。目前國內(nèi)外學(xué)者主要是從網(wǎng)絡(luò)新聞或者公司年報(bào)中檢測金融事件,由于其數(shù)據(jù)特征與社交媒體數(shù)據(jù)不同,因此無法直接將之前的研究方法移植至社交平臺進(jìn)行事件檢測。且隨著近年來深度學(xué)習(xí)算法的發(fā)展,通過深度學(xué)習(xí)算法進(jìn)行文本語義獲取及分類,較傳統(tǒng)的機(jī)器學(xué)習(xí)算法有較大的提升。為了更準(zhǔn)確地進(jìn)行金融事件檢測,本文從微博短文本表示和事件檢測方法兩方面展開研究,具體包括以下三個(gè)部分:1)研究了一種面向金融領(lǐng)域的短文本表示方法;該方法主要是利用Word2vec對金融事件觸發(fā)詞典進(jìn)行擴(kuò)充,通過擴(kuò)充后的金融事件觸發(fā)詞典進(jìn)行短文本觸發(fā)詞識別,然后...
【文章頁數(shù)】:74 頁
【學(xué)位級別】:碩士
【文章目錄】:
致謝
摘要
abstract
第一章 緒論
1.1 研究背景及研究意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 事件抽取研究現(xiàn)狀
1.2.2 社交媒體事件檢測研究現(xiàn)狀
1.2.3 金融事件檢測研究現(xiàn)狀
1.3 研究內(nèi)容
1.4 組織結(jié)構(gòu)
第二章 相關(guān)理論及方法簡介
2.1 事件檢測
2.2 文本表示
2.2.1 BOW算法
2.2.2 TF-IDF算法
2.2.3 Word2vec算法
2.3 分類模型
2.3.1 支持向量機(jī)
2.3.2 卷積神經(jīng)網(wǎng)絡(luò)
2.3.3 長短期記憶網(wǎng)絡(luò)
2.4 集成學(xué)習(xí)
2.4.1 Adaboost算法
2.4.2 Bagging算法
2.4.3 隨機(jī)森林算法
2.5 性能評估指標(biāo)
2.6 本章小結(jié)
第三章 面向金融領(lǐng)域的短文本表示方法
3.1 問題描述及相關(guān)研究
3.2 基于詞向量和觸發(fā)詞的短文本表示方法
3.2.1 概述
3.2.2 金融事件類型定義
3.2.3 觸發(fā)詞典構(gòu)建
3.2.4 文檔向量化表示
3.3 實(shí)驗(yàn)結(jié)果與分析
3.3.1 實(shí)驗(yàn)語料庫介紹
3.3.2 實(shí)驗(yàn)設(shè)置
3.3.3 結(jié)果展示與分析
3.3.4 參數(shù)分析
3.4 本章小結(jié)
第四章 基于集成分類的公司金融事件動(dòng)態(tài)檢測方法
4.1 問題描述及相關(guān)研究
4.2 基于集成SVM的數(shù)據(jù)流分類算法
4.3 實(shí)驗(yàn)結(jié)果與分析
4.3.1 實(shí)驗(yàn)設(shè)置
4.3.2 結(jié)果展示與分析
4.4 本章小結(jié)
第五章 基于深度學(xué)習(xí)的公司金融事件檢測方法
5.1 問題描述及相關(guān)研究
5.2 基于注意力機(jī)制的CNN與 LSTM分類算法
5.2.1 模型構(gòu)建概述
5.2.2 文本預(yù)處理
5.2.3 層級結(jié)構(gòu)設(shè)置
5.3 實(shí)驗(yàn)結(jié)果與分析
5.3.1 實(shí)驗(yàn)語料庫介紹
5.3.2 實(shí)驗(yàn)設(shè)置
5.3.3 結(jié)果展示與分析
5.4 本章小結(jié)
第六章 總結(jié)與展望
6.1 研究工作總結(jié)
6.2 下一步工作設(shè)想
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況
本文編號:3672476
【文章頁數(shù)】:74 頁
【學(xué)位級別】:碩士
【文章目錄】:
致謝
摘要
abstract
第一章 緒論
1.1 研究背景及研究意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 事件抽取研究現(xiàn)狀
1.2.2 社交媒體事件檢測研究現(xiàn)狀
1.2.3 金融事件檢測研究現(xiàn)狀
1.3 研究內(nèi)容
1.4 組織結(jié)構(gòu)
第二章 相關(guān)理論及方法簡介
2.1 事件檢測
2.2 文本表示
2.2.1 BOW算法
2.2.2 TF-IDF算法
2.2.3 Word2vec算法
2.3 分類模型
2.3.1 支持向量機(jī)
2.3.2 卷積神經(jīng)網(wǎng)絡(luò)
2.3.3 長短期記憶網(wǎng)絡(luò)
2.4 集成學(xué)習(xí)
2.4.1 Adaboost算法
2.4.2 Bagging算法
2.4.3 隨機(jī)森林算法
2.5 性能評估指標(biāo)
2.6 本章小結(jié)
第三章 面向金融領(lǐng)域的短文本表示方法
3.1 問題描述及相關(guān)研究
3.2 基于詞向量和觸發(fā)詞的短文本表示方法
3.2.1 概述
3.2.2 金融事件類型定義
3.2.3 觸發(fā)詞典構(gòu)建
3.2.4 文檔向量化表示
3.3 實(shí)驗(yàn)結(jié)果與分析
3.3.1 實(shí)驗(yàn)語料庫介紹
3.3.2 實(shí)驗(yàn)設(shè)置
3.3.3 結(jié)果展示與分析
3.3.4 參數(shù)分析
3.4 本章小結(jié)
第四章 基于集成分類的公司金融事件動(dòng)態(tài)檢測方法
4.1 問題描述及相關(guān)研究
4.2 基于集成SVM的數(shù)據(jù)流分類算法
4.3 實(shí)驗(yàn)結(jié)果與分析
4.3.1 實(shí)驗(yàn)設(shè)置
4.3.2 結(jié)果展示與分析
4.4 本章小結(jié)
第五章 基于深度學(xué)習(xí)的公司金融事件檢測方法
5.1 問題描述及相關(guān)研究
5.2 基于注意力機(jī)制的CNN與 LSTM分類算法
5.2.1 模型構(gòu)建概述
5.2.2 文本預(yù)處理
5.2.3 層級結(jié)構(gòu)設(shè)置
5.3 實(shí)驗(yàn)結(jié)果與分析
5.3.1 實(shí)驗(yàn)語料庫介紹
5.3.2 實(shí)驗(yàn)設(shè)置
5.3.3 結(jié)果展示與分析
5.4 本章小結(jié)
第六章 總結(jié)與展望
6.1 研究工作總結(jié)
6.2 下一步工作設(shè)想
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況
本文編號:3672476
本文鏈接:http://sikaile.net/jingjilunwen/xmjj/3672476.html
最近更新
教材專著