[发明专利]基于大数据的金融事件发现方法

说明书

本发明公开了一种基于大数据的金融事件发现方法，包括以下步骤：根据特定事件的股民评论数据，获取舆情指标；构建金融本体；将金融本体中每一个类的实例数据输入至金融本体中进行推理，获得特定事件对应的企业的股价变动趋势；爬取特定事件的新闻文本数据，进行预处理，并从新闻文本数据中提取热点词；根据获得的股价变动趋势、热点词以及金融本体的金融事件类，判断特定事件是否为金融事件，以及若为金融事件，并判断该金融事件的类别。本发明结合特定企业的财务指标、非财务指标和舆情指标，利用本体推理、深度学习领域的skip‑gram模型和LSTM算法判断事件是否为金融事件，并根据热点词判断该金融事件的类别，整体方法具有准确性高、应用范围广、易于更新、时效性强等优点。

技术领域

本发明涉及事件发现方法领域，特别涉及一种基于大数据的金融事件发现方法。

背景技术

随着金融一体化和经济全球化的发展，金融事件发现的重要性愈加突出，其作用不仅被政府所重视，而且受到广大投资者密切的关注。金融事件是可能对股价造成影响的事件，如果对可能造成负面影响的金融事件加以预测，就能有效降低股民与投资机构的投资风险。

在事件发现研究中，极少涉及金融事件。因此，金融事件发现方法存在一些问题：(1)很难将传统的事件发现研究方法用于发现金融事件；(2)很难将普通事件映射到金融事件，并判断该事件对股票的影响以及影响范围。

本体是对概念之间关系的精确描述，在知识重用和共享方面有明显优势，在知识库智能系统领域应用广泛。语义网规则语言(SWRL)是以OWL子语言为基础语言，结合规则与OWL语言，提高本体规则推理能力。本体规则推理有较完善的理论和工具。由于本体在构建知识库和案例推理方面的优势，可以通过金融本体将互联网中的金融信息整合起来，并结合舆情指标与规则构建，解决金融领域中信息查找冗余过多，查准率过低的问题。

大多舆情分析都是基于某一社会新闻事件，研究网民负面情绪对社会和政府公信力的影响，很少用于金融舆情的研究，这限制了舆情分析的发展和在其他领域的作用。长短期记忆模型(LSTM)是神经网络模型的一种，它解决了循环神经网络的梯度弥散的问题，经常被用于情感分析和舆情分析。

发明内容

本发明的目的在于提供一种准确性高的金融事件发现方法，填补该领域的空白。

实现本发明目的的技术解决方案为：一种基于大数据的金融事件发现方法，包括以下步骤：

步骤1、根据特定事件的股民评论数据，获取舆情指标；

步骤2、利用protégé软件构建金融本体，所述金融本体包括财务指标类、非财务指标类、金融事件类、舆情指标类、股价类；

步骤3、将金融本体中每一个类的实例数据输入至金融本体中进行推理，获得特定事件对应的企业的股价变动趋势；金融本体类的实例数据中舆情指标具体采用步骤1获得的舆情指标；

步骤4、从网络中爬取特定事件的新闻文本数据，对该新闻文本数据进行预处理，并求取预处理后新闻文本数据的词频-逆文件频率tf-idf值，根据tf-idf值从新闻文本数据中提取热点词；

步骤5、根据所述推理获得的特定事件对应的企业的股价变动趋势、热点词以及金融本体的金融事件类，判断所述特定事件是否为金融事件，以及若为金融事件，并判断该金融事件的类别。

本发明与现有技术相比，其显著优点为：1)结合了深度学习领域的skip-gram模型和LSTM算法，相较于传统的事件发现计算方法而言，在计算结果方面具有更高的准确性；2)引入网民情感倾向作为股票预测系统的特征指标之一，提高了推理结果的准确性；3)创新性的结合本体技术进行推理，在知识重用和案例更新方面均具有很高的效率。

下面结合附图对本发明作进一步详细描述。

附图说明