[發(fā)明專利]一種基于文檔結(jié)構(gòu)與深度學(xué)習(xí)的金融類公告信息抽取方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811549314.1
• 申請(qǐng)日: 2018-12-18
• 公開（公告）號(hào): CN109857990B
• 公開（公告）日: 2022-11-25
• 發(fā)明（設(shè)計(jì)）人: 黃勝;王博博;李勝
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06F40/14
• 分類號(hào): G06F40/14;G06F40/289;G06F40/30;G06F40/211
• 代理公司: 北京同恒源知識(shí)產(chǎn)權(quán)代理有限公司 11275
• 代理人: 趙榮之

本發(fā)明涉及一種基于文檔結(jié)構(gòu)與深度學(xué)習(xí)的金融類公告信息抽取方法，屬于信息抽取技術(shù)領(lǐng)域。該方法包括：S1：生成文檔結(jié)構(gòu)樹；S2：抽取節(jié)點(diǎn)信息：基于文檔結(jié)構(gòu)樹設(shè)計(jì)便捷的查找節(jié)點(diǎn)信息的方法，利用規(guī)則提取樹的節(jié)點(diǎn)信息；S3：抽取信息句：對(duì)于已抽取到的節(jié)點(diǎn)信息，定義句子觸發(fā)詞集，在句子觸發(fā)詞集的基礎(chǔ)上，拓展包含觸發(fā)詞集的局部句子結(jié)構(gòu)規(guī)則，從而抽取符合規(guī)則的信息句；S4：訓(xùn)練詞向量：預(yù)訓(xùn)練上下文的詞向量，并利用CNN訓(xùn)練字符詞向量；S5：抽取結(jié)構(gòu)化信息：構(gòu)建基于Bi?LSTM?CRF的深度學(xué)習(xí)模型，訓(xùn)練該模型進(jìn)行字段識(shí)別。本發(fā)明能快速高效且在人工干預(yù)較少的情況下準(zhǔn)確提取出所需的各類結(jié)構(gòu)化信息。

技術(shù)領(lǐng)域

本發(fā)明屬于信息抽取技術(shù)領(lǐng)域，涉及文檔結(jié)構(gòu)及深度學(xué)習(xí)在金融類公告信息抽取中的應(yīng)用。

背景技術(shù)

在投資研究過程中，上市公司金融類公告是投資者的重要參考材料，挖掘公告中的重要信息是決定性的步驟。但是，海量公告信息讓人腦難以負(fù)荷，如果機(jī)器能夠根據(jù)需求，自動(dòng)分析、過濾、抽取有價(jià)值的結(jié)構(gòu)化數(shù)據(jù)，就能幫助研究員快速獲取投資線索，從而做出最及時(shí)、準(zhǔn)確的決策。上市公司信息披露的金融類公告一般包括年度報(bào)告、季度報(bào)告等等。具體到各個(gè)重大事件信息包括并購(gòu)重組、關(guān)聯(lián)交易、投資融資等都會(huì)在公告中體現(xiàn)。因此對(duì)上市公司金融類公告中的信息進(jìn)行結(jié)構(gòu)化的提取具有重要意義。

信息抽取(Information Extraction)是指從自然語言形式的文檔中抽取人們所感興趣的信息，并將其轉(zhuǎn)變?yōu)榻Y(jié)構(gòu)化信息的過程。通常，信息抽取利用機(jī)器學(xué)習(xí)、自然語言處理(NLP)等方法從上述文本中抽取出特定的信息后，保存到結(jié)構(gòu)化的數(shù)據(jù)庫當(dāng)中，以便用戶查詢和使用。

結(jié)構(gòu)化字段信息抽取任務(wù)可以看作是NLP中的序列標(biāo)注(Sequence labeling)任務(wù)。目前的主要方法分為：基于規(guī)則和詞典的方法、基于機(jī)器學(xué)習(xí)的方法及基于深度學(xué)習(xí)的方法。程志剛在“基于規(guī)則和條件隨機(jī)場(chǎng)的中文命名實(shí)體識(shí)別方法研究，華中師范大學(xué)，2015”中提出了一種基于規(guī)則和條件隨機(jī)場(chǎng)(Conditional random field，CRF)的命名實(shí)體識(shí)別方法，需要依賴于人工定制的特征抽取模板，代價(jià)很大。為了避免這一缺點(diǎn)，近年來多數(shù)研究者將深度學(xué)習(xí)應(yīng)用于NLP領(lǐng)域。例如“Chiu J P,Nichols E.Named EntityRecognition with Bidirectional LSTM-CNNs[J].Transactions of the Associationfor Computational Linguistics,2015,4(0):357-370”中，提出結(jié)合長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short Term Memory，LSTM)與卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)進(jìn)行命名實(shí)體識(shí)別，但是CNN容易丟失局部信息；“Ma X,Hovy E H.End-to-end SequenceLabeling via Bi-directional LSTM-CNNs-CRF[J].Meeting of the Association forComputational Linguistics,2016:1064-1074”在Chiu的基礎(chǔ)上引入CRF層，增強(qiáng)標(biāo)簽之間的依賴；“Strubell E,Verga P,Belanger D,et al.Fast and Accurate EntityRecognition with Iterated Dilated Convolutions[C]//eprint arXiv.eprint arXiv:1702.02098”在CNN的基礎(chǔ)上構(gòu)建迭代卷積神經(jīng)網(wǎng)絡(luò)模型用于序列標(biāo)注問題，解決了CNN不能解決的長(zhǎng)距離依賴問題。

因此，結(jié)合文檔結(jié)構(gòu)與深度學(xué)習(xí)相關(guān)模型進(jìn)行金融類公告信息抽取的研究，能夠克服傳統(tǒng)人工提取的代價(jià)大，泛化能力弱的問題，對(duì)快速高效的抽取所需結(jié)構(gòu)化信息具有重要意義。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種通用的金融類公告信息抽取方法，能夠快速高效且在人工干預(yù)較少的情況下準(zhǔn)確提取出所需的各類結(jié)構(gòu)化信息。

為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：