结合自然语言处理与机器学习的金融新闻语篇层面时间性检测

彭博新闻、CNN商业和福布斯等金融相关新闻是市场筛选系统的宝贵真实数据来源。在新闻中，专家分享的观点超越了简单的技术分析，包含了政治、社会和文化等背景因素。在同一文本中，专家经常讨论不同资产的表现。一些关键陈述仅仅是对过去事件的描述，而另一些则是预测。因此，理解文本中关键陈述的时间性对于将背景信息与有价值的预测区分开来至关重要。我们提出了一种新颖的系统，用于检测金融相关新闻在语篇层面的时间性，该系统结合了自然语言处理和机器学习技术，并利用了句法和语义依赖等复杂特征。更具体地说，我们旨在提取主要陈述的主导时态，这些时态可能是显式的或隐式的。我们在一个由该领域知识丰富的研究人员标注的金融相关新闻标注数据集上测试了我们的系统。实验结果表明，与基于规则的替代基线方法相比，我们的检测精度很高。最终，这项研究通过识别金融决策的预测性知识，为市场筛选的最新水平做出了贡献。