基于金融文本的情绪预测方法、装置及电子设备与流程

本发明涉及人工智能、金融科技或其他相关领域，具体而言，涉及一种基于金融文本的情绪预测方法、装置及电子设备。

背景技术：

1、互联网为新闻传播和用户言论提供了快速通道，促进信息传达的同时，也带来潜在的舆情风险。在金融投资理财中，社会舆情和用户情绪很容易影响金融机构的运转，对银行造成流动性风险。例如，在快讯息时代下，客户通过社交媒体发布的文本信息，可能会被别有用心的媒体和营销号利用，加以炒作，在极短时间内酝酿成影响面极广的社会舆情，煽动社交用户情绪。其中，涉及金融等信息大多未辨真伪，来源不明，溯源难度高，一旦影响形成，需要投入巨大的人力物力去应对和安抚，对银行的声誉也会造成影响。

2、目前，相关技术难以依据金融文本准确识别用户的情绪，从而使得金融机构无法及时准确定位舆情风险和消弭风险。

3、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本发明实施例提供了一种基于金融文本的情绪预测方法、装置及电子设备，以至少解决相关技术基于金融文本预测情绪时存在的预测准确性低的技术问题。

2、根据本发明实施例的一个方面，提供了一种基于金融文本的情绪预测方法，包括：获取文本向量，其中，文本向量为对金融文本转换得到的；利用特征提取模型对文本向量进行语义特征提取，得到第一特征向量；利用时域卷积网络对第一特征向量进行情绪特征提取，得到第二特征向量，其中，时域卷积网络由n个顺次连接的残差块组成，时域卷积网络通过多个残差块进行特征提取，且每个残差块结合有注意力机制，n为大于1的正整数；将第二特征向量输入至情绪预测模块，根据情绪预测模块的输出结果确定金融文本匹配的情绪类型。

3、进一步地，基于金融文本的情绪预测方法还包括：获取金融文本；对金融文本进行分词处理，得到多个分词；对于每个分词，将分词转换为词嵌入向量，并由多个分词的词嵌入向量组成文本向量。

4、进一步地，基于金融文本的情绪预测方法还包括：对于时域卷积网络中的第一个残差块，对第一特征向量进行情绪特征提取，得到第一个残差块的输出向量；对于时域卷积网络中的第m个残差块，对第m-1个残差块的输出向量进行情绪特征提取，得到第m个残差块的输出向量，其中，m为大于1小于n的正整数；对于时域卷积网络中的第n个残差块，对第n-1个残差块的输出向量进行情绪特征提取，得到第二特征向量。

5、进一步地，基于金融文本的情绪预测方法还包括：利用特征提取子模块对第m-1个残差块的输出向量进行情绪特征提取，得到第三特征向量；利用残差连接组合第三特征向量和第m-1个残差块的输出向量，得到第四特征向量；利用注意力子模块对第m-1个残差块的输出向量中的各通道特征进行加权处理，得到第五特征向量，其中，第m-1个残差块的输出向量为多通道特征向量，且不同通道的权重不同；根据第四特征向量和第五特征向量确定第m个残差块的输出向量。

6、进一步地，基于金融文本的情绪预测方法还包括：获取训练样本集，其中，训练样本集由多个样本金融文本匹配的样本文本向量以及对应的真实情绪标签组成；利用特征提取模型对样本文本向量进行语义特征提取，得到第一样本特征向量；利用初始时域卷积网络对第一样本特征向量进行情绪特征提取，得到第二样本特征向量；将第二样本特征向量输入至初始情绪预测模块，根据初始情绪预测模块的输出结果确定样本金融文本匹配的样本情绪类型；根据样本情绪类型和真实情绪标签计算损失函数值，并依据损失函数值更新初始时域卷积网络的参数以及初始情绪预测模块的参数，直至损失函数值小于或等于预设数值，得到时域卷积网络和情绪预测模块。

7、进一步地，基于金融文本的情绪预测方法还包括：获取预设的数值范围与情绪类型之间的匹配关系；从匹配关系中确定输出结果匹配的情绪类型，得到金融文本匹配的情绪类型。

8、进一步地，基于金融文本的情绪预测方法还包括：在金融文本为多个的情况下，在根据情绪预测模块的输出结果确定金融文本匹配的情绪类型之后，确定多个金融文本中情绪类型为目标情绪类型的金融文本的数量，得到第一数量；确定多个金融文本的数量，得到第二数量；在第一数量与第二数量之间的比值大于预设比值的情况下，生成预警信息，其中，预警信息用于指示开启应急处理，应急处理用于减少目标情绪类型的金融文本在未来时间出现的数量。

9、根据本发明实施例的另一方面，还提供了一种金融文本的情绪预测装置，包括：第一获取模块，用于获取文本向量，其中，文本向量为对金融文本转换得到的；第一特征提取模块，用于利用特征提取模型对文本向量进行语义特征提取，得到第一特征向量；第二特征提取模块，用于利用时域卷积网络对第一特征向量进行情绪特征提取，得到第二特征向量，其中，时域卷积网络由n个顺次连接的残差块组成，时域卷积网络通过多个残差块进行特征提取，且每个残差块结合有注意力机制，n为大于1的正整数；第一确定模块，用于将第二特征向量输入至情绪预测模块，根据情绪预测模块的输出结果确定金融文本匹配的情绪类型。

10、根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的基于金融文本的情绪预测方法。

11、根据本发明实施例的另一方面，还提供了一种电子设备，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的基于金融文本的情绪预测方法。

12、在本发明实施例中，采用利用多种神经网络模型预测金融文本匹配的情绪类型的方式，通过获取文本向量，然后利用特征提取模型对文本向量进行语义特征提取，得到第一特征向量，接着利用时域卷积网络对第一特征向量进行情绪特征提取，得到第二特征向量，从而将第二特征向量输入至情绪预测模块，根据情绪预测模块的输出结果确定金融文本匹配的情绪类型。其中，文本向量为对金融文本转换得到的，时域卷积网络由n个顺次连接的残差块组成，时域卷积网络通过多个残差块进行特征提取，且每个残差块结合有注意力机制，n为大于1的正整数。

13、在上述过程中，通过利用特征提取模型确定第一特征向量，实现了对金融文本的上下文信息和语义特征的有效提取，通过利用时域卷积网络确定第二特征向量，实现了对金融文本中的语义情绪特征的有效提取，通过在时域卷积网络中结合注意力机制，能够有效加强时域卷积网络对长序列语序的学习能力，从而能够提取到更有效的语义情绪特征，进而使得通过情绪预测模块对第二特征向量进行处理，以确定金融文本匹配的情绪类型时，可以有效提高情绪预测的准确性。

14、由此可见，本申请所提供的方案达到了利用多种神经网络模型预测金融文本匹配的情绪类型的目的，从而实现了提高情绪预测的准确性的技术效果，进而解决了相关技术基于金融文本预测情绪时存在的预测准确性低的技术问题。

技术特征：

1.一种基于金融文本的情绪预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，获取文本向量，包括：

3.根据权利要求1所述的方法，其特征在于，利用时域卷积网络对所述第一特征向量进行情绪特征提取，得到第二特征向量，包括：

4.根据权利要求3所述的方法，其特征在于，所述残差块包括特征提取子模块、注意力子模块，其中，对第m-1个残差块的输出向量进行情绪特征提取，得到所述第m个残差块的输出向量，包括：

5.根据权利要求1所述的方法，其特征在于，所述时域卷积网络和所述情绪预测模块通过以下方式训练得到：

6.根据权利要求1所述的方法，其特征在于，在所述情绪预测模块的输出结果为数值的情况下，根据所述情绪预测模块的输出结果确定所述金融文本匹配的情绪类型，包括：

7.根据权利要求1所述的方法，其特征在于，在所述金融文本为多个的情况下，在根据所述情绪预测模块的输出结果确定所述金融文本匹配的情绪类型之后，所述方法还包括：

8.一种基于金融文本的情绪预测装置，其特征在于，包括：

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的基于金融文本的情绪预测方法。

10.一种电子设备，其特征在于，所述电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现用于运行程序，其中，所述程序被设置为运行时执行所述权利要求1至7任一项中所述的基于金融文本的情绪预测方法。

技术总结
本发明公开了一种基于金融文本的情绪预测方法、装置及电子设备。涉及人工智能、金融科技或其他相关领域，该方法包括：获取文本向量，其中，文本向量为对金融文本转换得到的；利用特征提取模型对文本向量进行语义特征提取，得到第一特征向量；利用时域卷积网络对第一特征向量进行情绪特征提取，得到第二特征向量，其中，时域卷积网络由N个顺次连接的残差块组成，时域卷积网络通过多个残差块进行特征提取，且每个残差块结合有注意力机制，N为大于1的正整数；将第二特征向量输入至情绪预测模块，根据情绪预测模块的输出结果确定金融文本匹配的情绪类型。本发明解决了相关技术基于金融文本预测情绪时存在的预测准确性低的技术问题。

技术研发人员：陆玉波,傅媛媛,丘士丹,张浩
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：
技术公布日：2024/1/25