[发明专利]一种财经新闻中企业主体的情感分析方法和系统

权利要求书

1.一种财经新闻中企业主体的情感分析方法，其特征在于，所述方法包括以下步骤：

S1：采集新闻数据，根据所述采集的新闻数据进行模型训练，得到分类预测模型；

S2：将待分类的新闻数据输入所述分类预测模型，对所述待分类的新闻数据中的企业主体的情感标签进行分类预测。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：利用爬虫技术采集财经新闻数据；对需要关注的企业的名称进行汇总成表。

3.根据权利要求2所述的方法，其特征在于，所述步骤S1包括：利用企业名称表去匹配识别新闻N＝{S₁,S₂,…,S_n}中出现的企业主体T及其所在的句子S_t，并将这些句子构成集合ST＝{S_t1,S_t2,…,S_tm}，其中n表示新闻N由n个句子构成，m表示新闻N包含企业主体T的句子总共有m个。

4.根据权利要求3所述的方法，其特征在于，所述步骤S1包括：对新闻中企业主体进行情感倾向性标注，所述标注的标签L分为正面、负面、中性三类，并将标注所得的数据作为训练和测试模型的标准数据集。

5.根据权利要求4所述的方法，其特征在于，所述步骤S1包括：按照预定比例从所述数据集中获取训练样本和测试样本Sample＝(N,ST,T,L)；将文本输入到BERT模型中，取BERT模型最后一层的隐藏层输出作为文本的词向量表示。

6.根据权利要求5所述的方法，其特征在于，所述步骤S1包括：将新闻全文N利用深度学习网络进行编码后放入模型的主存储器，处理后获得的每个句子的向量表示存入其中的主存储模块；将企业主体所在句子S利用深度学习网络进行编码后放入辅助存储器，处理后获得的句子向量存入其中的辅助存储模块，其中，对主存储模块与辅助存储模块采用不同的编码方式。

7.根据权利要求6所述的方法，其特征在于，所述步骤S1包括：利用多跳机制，在所述主存储器和所述辅助存储器中多次同时检索企业主体T的情感特征，并用GRU网络将所述情感特征进行非线性组合，输入到softmax层中进行分类。

8.根据权利要求7所述的方法，其特征在于，所述步骤S1包括：利用交叉熵计算损失函数，进行反向传播，更新模型的权值参数，进行迭代运算；当所述损失函数的损失值loss在连续多个迭代过程中趋于稳定时，结束模型的训练过程，得到分类预测模型。

9.一种财经新闻中企业主体的情感分析系统，其特征在于，所述系统包括数据抓取模块、模型训练模块、标签分类预测模块；

所述数据抓取模块，用于利用爬虫技术采集财经新闻数据；

所述模型训练模块，用于按照预定比例从所述数据集中获取训练样本和测试样本Sample＝(N,ST,T,L)；将文本输入到BERT模型中，取BERT模型最后一层的隐藏层输出作为文本的词向量表示；

将新闻全文N利用深度学习网络进行编码后放入模型的主存储器，处理后获得的每个句子的向量表示存入其中的主存储模块；将企业主体所在句子S利用深度学习网络进行编码后放入辅助存储器，处理后获得的句子向量存入其中的辅助存储模块；其中，对主存储模块与辅助存储模块采用不同的编码方式；

利用多跳机制，在所述主存储器和所述辅助存储器中多次同时检索企业主体T的情感特征，并用GRU网络将所述情感特征进行非线性组合，输入到softmax层中进行分类；

利用交叉熵计算损失函数，进行反向传播，更新模型的权值参数，进行迭代运算；当所述损失函数的损失值loss在连续多个迭代过程中趋于稳定时，结束模型的训练过程，得到分类预测模型。

所述标签分类预测模块，用于将待分类的新闻数据输入所述分类预测模型，对所述待分类的新闻数据中的企业主体的情感标签进行分类预测。

10.根据权利要求9所述的系统，其特征在于，在所述模型训练模块对模型进行训练之前，对所述数据抓取模块抓取的数据进行以下处理：

对需要关注的企业的名称进行汇总成表；

利用企业名称表去匹配识别新闻N＝{S₁,S₂,…,S_n}中出现的企业主体T及其所在的句子S_t，并将这些句子构成集合ST＝{S_t1,S_t2,…,S_tm}，其中n表示新闻N由n个句子构成，m表示新闻N包含企业主体T的句子总共有m个；

对新闻中企业主体进行情感倾向性标注，所述标注的标签L分为正面、负面、中性三类，并将标注所得的数据作为训练和测试模型的标准数据集。