Mar, 2024

通过结合自然语言处理和机器学习在金融新闻中检测篇章层面的时间性

PDF
TL;DR通过自然语言处理和机器学习技术，我们提出一种能够在语篇层面检测金融相关新闻时态性的新系统，利用了句法和语义依赖等复杂特征，从而提取主要陈述的主导时态。实验结果表明，与一种基于规则的替代方法相比，该系统具有较高的检测精确度，最终有助于发掘金融决策的预测性知识。
finance-related newstemporalitydiscourse levelnatural language processingmachine learning
发现论文，激发创造
  • 利用潜在狄利克雷分配进行金融新闻中有关信息、预测和预测的自动检测

    通过组合多段主题分割和共指消解分离作者表达模式、使用 LDA 检测相关文本以及分析其中的预测和预言的话语暂时性，我们提出了一个新颖的自然语言处理系统，以在非结构化文本来源中帮助投资者检测相关的金融事件。

    Mar, 2024

  • 建立时间依赖关系图的文档级时间结构建模

    利用新闻话语建模文档级时间结构构建时间依赖图。通过新闻话语的功能角色可恢复文档的时间结构，利用知识蒸馏技术，有效识别时间上相关的远距离事件和时间表达式。

    Oct, 2022

  • 基于注意力机制循环神经网络的金融新闻股票趋势预测

    使用深度神经模型从新闻文本中提取语义特征，应用自注意机制分配注意力，并预测标准普尔 500 指数和个人公司股价的方向性变化，表明该技术与其他最先进的方法相当竞争，证明了最新的自然语言处理技术对计算金融业的有效性。

    Nov, 2018

  • 将文章分解为事实和观点，并检索实体进行问题导向的摘要生成

    该研究利用自然语言处理技术预测股票价格波动，旨在早期发现能够捕捉市场机会的经济、政治、社会和技术变化。通过从新闻文章中识别重要事实和事件，并使用这些事实与实体形成元组，以获取特定实体的市场变化摘要，最后结合所有摘要形成整篇文章的最终摘要。使用大型语言模型 GPT 3.5 进行摘要提取，并分析维基百科数据和《经济学家》的文章以建立公司和实体之间的关系。该研究旨在开发一种全面的系统，通过提前发现市场趋势和事件，为金融分析师和投资者提供更加明智的决策工具。

    Oct, 2023

  • 扩展任务提示的网络新闻时间线生成

    通过对传统提示技术进行扩展，我们的研究在各种新闻数据集上证明了增强提示效果的有效性，使新闻时间线生成成为专业使用的实际工具，并已部署为公开可访问的浏览器扩展程序。

    Nov, 2023

  • 从过去预测未来？论金融情绪分类中的时间数据分布变化

    金融文本中存在时间数据分布的变化，如何在不稳定的市场环境中训练一个能够准确推断情感且对时间数据分布变化具有鲁棒性的金融情感分析系统？本文通过对跨越三年的真实金融社交媒体数据集进行经验研究，在时间数据分布变化的情况下分析金融情感分析系统的性能下降问题，并基于金融文本的独特时间性质提出了一种结合异常检测和时间序列建模的新方法用于时间金融情感分析。实验证明该方法增强了模型在波动的金融市场中适应不断变化的时间趋势的能力。

    Oct, 2023

  • 金融领域时间序列数据的机器学习：挑战和机遇

    本文探讨了金融服务业中常见的不同类型的时间数据，回顾了当前在这个领域中的机器学习方法，并评估了在机器学习和时间数据的交叉应用中，研究人员面临的挑战和机遇。

    Sep, 2020

  • 学习历史，演化未来：预测时序趋势用于假新闻检测

    本研究提出了一种名为 “FTT” 的有效框架，可以预测新闻数据的时间分布模式并指导检测器快速适应未来的分布。在真实世界的时序数据集上的实验证明了我们所提出的框架的优越性。

    Jun, 2023

  • 时态有效性变化预测

    使用基于转换器的语言模型，我们提出了一项基于时态有效性的自然语言处理任务，评估机器学习模型检测引起时态有效性变化的上下文陈述的能力，并提出了辅助任务：预测时态有效性持续时间，以提高最先进模型的性能。

    Jan, 2024

  • 基于时间文档历史的未来语言建模

    预测未来的文本数据，结合时间历史背景，基于概率模型建立了未来语言模型。

    Apr, 2024