[發明專利]股票實體詞消歧方法、計算機設備及存儲介質

在審

• 申請號: 202011419982.X
• 申請日: 2020-12-07
• 公開（公告）號: CN112464669A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 李煜;丑曉慧
• 申請（專利權）人: 寧波深擎信息科技有限公司;上海深擎信息科技有限公司
• 主分類號: G06F40/295
• 分類號: G06F40/295;G06F40/30;G06F16/35;G06N3/04;G06Q40/00
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 邱軼

本發明提供一種股票實體詞消歧方法、計算機設備及存儲介質。獲取包含歧義股票實體詞的訓練數據，從包含歧義股票實體詞的訓練數據中提取出所含歧義股票實體詞的語義特征向量，構成訓練數據集，利用該訓練數據集對詞判別模型進行訓練。判斷對待消歧金融財經資訊文本數據是否存在存在歧義詞股票實體詞，如存在歧義詞股票實體詞，將待消歧金融財經資訊文本數據及其所含的歧義股票實體詞的語義特征向量輸入到訓練好的歧義詞判別模型，判別其所含的歧義股票實體詞是否是股票實體詞。本發明相較于構建知識庫的方式，減少了人力消耗，同時在沒有使用外部知識庫的情況下，依然能夠對歧義實體有很強的表達能力。

技術領域

本發明涉及人工智能技術領域，具體地，涉及一種實體消歧方法,尤其是一 種面向金融財經資訊的股票實體詞消歧方法。

背景技術

命名實體的歧義指的是一個實體表述可對應到多個真實世界實體。命名實 體消歧是確定一個實體表述所指向的真實世界實體的過程。命名實體消歧屬于 自然語言處理領域的一項基礎性研究，已經成為知識庫構建、信息檢索、機器 翻譯，以及話題發現與追蹤等研究領域的重要支撐技術。

實體的歧義現象可以概括為多樣性和歧義性兩類，即多名現象和重名現象。 多名現象指一個實體可能會有多種命名，如全名、縮寫、別名等。解決多名問 題的主要途徑是建立同義詞詞典，使其盡可能多地收錄同義詞條，通過目標文 本與同義詞詞典匹配的方式實現多名間的映射。多名問題解決效果主要與詞典 和模糊匹配算法有關。重名現象指多個實體擁有相同的命名，即一詞多義現象。 也就是在不同的上下文中實體所表達的含義可能不太一樣。例如“連云港”既有可 能指地名，也可能A股的一家上市公司江蘇連云港港口股份有限公司(股票代 碼:601008)的股票簡稱“連云港”，而大部分金融財經資訊都會以股票簡稱來表示 當前上市公司。這會導致在進行相關財經資訊的檢索和統計的過程中,非上市公司連云港相關的信息也會被統計進來,造成統計結果產生偏差。

典型實體消歧的主流方法有基于概率生成模型的方法、基于主題模型的方 法、基于圖的方法、基于深度學習的方法、無監督方法等等。根據模型的差異， 大致可以劃分為基于統計學習的實體消歧方法和基于深度學習的實體消歧的方 法。基于統計學習的方法側重于計算實體之間的相似度，但需要借助有標注的 實體鏈接語料庫來進行。為了解決標注的語料庫缺乏的問題，半監督、弱監督 的方法也相繼涌現。基于深度學習的方法的核心是構建多類型，多模態的上下 文和知識的統一表示，需要借助性能較好的消歧模型來進行。

公開日為2017年8月29日，公開號為CN107102989A的中國專利，公開了一 種基于詞向量、卷積神經網絡的實體消歧方法。該方法使用知識庫中的語料來 生成歧義實體語義向量,知識庫的數據量對語義向量的表示效果影響很大,而 且知識庫的準備需要消耗大量的人工成本。

發明內容

針對現有技術存在的缺陷，本發明提供一種股票實體詞消歧方法、計算機 設備及存儲介質。

股票實體詞消歧方法，包括：

從包含歧義個股實體的金融財經資訊文本數據獲取訓練語料，由行業專家 對各訓練語料中存在的實體詞及實體詞對應的實體類別進行標注，實體類別包 括無歧義股票實體詞的實體類別以及包含歧義股票實體詞的實體類別，得到第 一訓練數據集；

從第一訓練數據集提取包含歧義股票實體詞的訓練數據，從包含歧義股票 實體詞的訓練數據中提取出所含歧義股票實體詞的語義特征向量，構成第二訓 練數據集；

利用第一訓練數據集對預先構建的實體詞識別模型進行訓練，得到訓練好 的實體詞識別模型；

利用第二訓練數據集對預先構建的歧義詞判別模型進行訓練，得到訓練好 的歧義詞判別模型；

構建歧義股票實體詞列表，歧義詞列表中列舉容易出現歧義情況的歧義股 票實體詞；