申请/专利权人：华东师范大学

申请日：2024-01-24

公开（公告）日：2024-04-26

公开（公告）号：CN117932068A

主分类号：G06F16/35

分类号：G06F16/35;G06F40/295;G06N3/042;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明涉及一种基于图对比学习的金融文本分类方法，通过图神经网络模型解决金融文本分类任务中类别较多、标注少、专有名词多等问题。该方法包括以下步骤：将文档进行向量化表示；结合外部知识取得文本之间的联系，根据文档及其联系构建文档节点的图；构建图神经网络特征传播模型，并将文本图输入图神经网络模型，通过对比学习训练模型；使用训练好的模型在测试集上进行分类预测。本发明通过上述步骤，能够有效融入金融领域知识，提高模型对未标注数据的理解和分类性能。整体而言，本发明提供了一种有效的金融文本分类方法。

主权项：1.一种基于图对比学习的金融文本分类方法，其特征在于，该方法具体包括以下步骤：步骤S1，获取待处理的文本数据集和预处理；步骤S2，对待处理的金融文档进行编码；步骤S3，根据文档中金融命名实体、关键短语和语义关系确定文档间的关系，将同一种关系的文档加入同一个集合中；步骤S4，根据文档及其关系构建文本图；所述的文本图将每个文档定义为一个文档节点，并使用步骤S2中获得的文档编码作为文档节点的初始特征；在由步骤S3获得的集合内文档节点之间建立对应关系和进行采样；步骤S5，构建图神经网络特征传播模型，并将文本图输入图神经网络模型，通过对比学习训练；构建图神经网络：使用两层图卷积网络构建图神经网络模型，以文本图所有节点及其特征矩阵X、边邻接矩阵和边权重矩阵作为模型的输入，第一层图卷积网络后使用ReLU作为激活函数；对比学习训练：对图进行数据增强得到两个视图，以图中节点作为目标样本，与目标样本不同的视图中的对应节点作为正样本，相同视图中的其他节点作为视图内负样本，不同视图中的其他节点作为视图间负样本，计算对比损失，优化模型参数；步骤S6，将标签输入模型微调后，在测试集上进行分类预测。

全文数据：

权利要求：

百度查询： 华东师范大学 一种基于图对比学习的金融文本分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD