[发明专利]基于文本情感倾向的违规检测方法

权利要求书

1.一种基于文本情感倾向的违规检测方法，其特征在于：包括如下步骤：

S1：构建情感词典：获取上市公司年报文本，并利用该文本构建合适情感词典；

S2：进一步提取文本特征：计算基于情感词典的TF-IDF值，然后利用变分自编码器VAE进一步做文本特征提取；

S3：对长短期记忆网络LSTM做数学建模：使用变分自编码器VAE的长短期记忆网络LSTM构建出VAE-LSTM预测模型；

S4：文本检测及结果输出：通过VAE-LSTM预测模型对S2步骤中提取的特征数据进行检测分析，基于分析出的数据结果输出年报文本为违规或者正常。

2.如权利要求1所述的基于文本情感倾向的违规检测方法，其特征在于：在S1步骤的构建情感词典的具体步骤如下：

S1-1：从上市公司信息披露网站上下载上市公司年度报告；

S1-2：将年报转换成Html格式；

S1-3：解析年报，使用python解析年报，清理成文本，将年报中的年报标题以及表格中数字占总字数的比例大于25％的表格；

S1-4：提取文本，利用python的jieba库自定义字典功能，选用金融类词典对文本进行分词；

S1-5：参照中文停用词库，手动添加特殊字符，去除停用词；

S1-6：年报保存上述处理的词为.TXT格式，根据保存的年报分词数据建立上市公司的积极和消极词汇词典。

3.如权利要求1所述的基于文本情感倾向的违规检测方法，其特征在于：在步骤S2中，TF-IDF为词频-逆文档频率，是一种统计方法，具体公式如下：其中，N表示年报总数，tf_i,j表示第j个年报中出现第i个词的次数之比，df_i表示包含第i个词的年报数。

4.如权利要求1所述的基于文本情感倾向的违规检测方法，其特征在于：在步骤S2中，变分自编码器包括编码、采样和解码，使用神经网络编码，提取数据特征，再解码生成数据。

5.如权利要求1所述的基于文本情感倾向的违规检测方法，其特征在于：在S3步骤中的长短期记忆网络模型如下：

f_t＝σ(W_f[h_t-1,x_t]+b_f)

i_t＝σ(W_i[h_t-1,x_t]+b_i)

o_t＝σ(W_o[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中x_t是输入向量，i_t是时间步长t中的输入状态，f_t是时间步长t中的遗忘状态，o_t是时间步长t中的输出状态，h_t-1和C_t-1是时间步长t-1中的隐藏状态和单元状态，以tanh和sigmoid激活函数σ的形式添加非线性，W_f、W_i、W_C、W_o分别代表遗忘门、输入门、记忆单元和输出门的权值向量，b_f、b_i、b_C、b_o分别代表遗忘门、输入门、记忆单元和输出门的损坏变量，*是矩阵的Hadamard积。

6.如权利要求1所述的基于文本情感倾向的违规检测方法，其特征在于：在S4步骤中，所述VAE-LSTM预测模型内设有多方位评估指标；所述多方位评估指标包括：准确率、敏感度和特异度、综合指标F_β-score以及假阳性率和真阳性率之间的曲线下覆盖的面积AUC。