版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領
文檔簡介
1、受有效市場假說的影響,證券行業(yè)不斷重視對互聯(lián)網(wǎng)文本數(shù)據(jù)的研究。但隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,尤其是近年來涌現(xiàn)出各種社交網(wǎng)絡平臺,互聯(lián)網(wǎng)上的文本數(shù)據(jù)發(fā)生很大變化,開始出現(xiàn)大量帶有感情色彩的主觀性信息。這些主觀性信息的內(nèi)容涉及社會生活中的各種熱點話題,因此在證券行業(yè)擁有巨大的應用空間。然而,主觀性信息在文本中的表現(xiàn)形式與客觀性信息不同,一般比客觀性信息更加復雜,因此利用傳統(tǒng)的文本挖掘方法已經(jīng)無法解決這類信息的挖掘問題。在這種背景下,以挖掘文本中主
2、觀性情感信息為研究目標的觀點挖掘技術(shù)應運而生。
互聯(lián)網(wǎng)觀點挖掘研究不僅具有巨大的學術(shù)價值,其挖掘結(jié)果還能幫助解決許多行業(yè)的應用需求,因此該領域的研究不僅受到學術(shù)界的廣泛關(guān)注,還吸引了眾多行業(yè)的注意。其中,在證券行業(yè)就出現(xiàn)利用社交網(wǎng)絡情感信息預測股市波動的應用案例。相對之前的方法,這些基于觀點挖掘的應用取得了一定的成效,但總體來看,其應用效果仍無法令人滿意。這是因為目前的觀點挖掘研究僅注重對觀點信息的挖掘,忽視了觀點與主題內(nèi)容的
3、聯(lián)系,然而證券行業(yè)對信息的需求,不僅包括互聯(lián)網(wǎng)上的觀點信息,還同時希望把握其中蘊含的主題。因此,現(xiàn)有的觀點挖掘方法也難以很好的滿足證券行業(yè)對信息的需求。
針對這一問題,本文提出了一種面向Web文本主題的觀點挖掘研究,簡稱主題觀點挖掘研究。圍繞這一研究,我們分別對主題觀點挖掘、主題觀點量化、主題觀點集成,以及主題觀點分類等若干關(guān)鍵問題展開深入分析,并提出相應的解決的方法。此外,為了驗證本文方法的有效性,我們不僅在實驗中驗證了本文
4、方法解決現(xiàn)有觀點挖掘任務的能力,還專門將挖掘模型應用到的股市波動預測應用中。實驗結(jié)果不僅證明了本文方法的有效性,還發(fā)現(xiàn)了許多有意思的結(jié)論??傮w來看,本文研究工作有如下幾個方面的創(chuàng)新:
1.針對現(xiàn)有方法在挖掘觀點信息時忽略了主題信息這一不足,本文首先提出一種文檔主題觀點挖掘模型(Document-Topic-Opinion,簡稱DTO模型)。該模型在標準LDA模型關(guān)于文檔(Document)、主題(Topic)和詞匯(Word)
5、的三層結(jié)構(gòu)基礎上,進一步引入觀點(Opinion)的概念,是一種四層貝葉斯概率生成模型。從機器學習的角度看,DTO模型是一種非監(jiān)督的學習模型。由于DTO模型中未知參數(shù)間存在耦合關(guān)系,無法通過形式化推理求解模型的未知參數(shù),本文提出采用MCMC Gibbs抽樣的方法實現(xiàn)對未知參數(shù)的近似估計。實驗結(jié)果表明,DTO模型具有較強的主題和觀點挖掘能力,利用該模型不僅可以取得較高的文檔觀點分類準確率,還能挖掘出帶有情感傾向性的主題內(nèi)容。
2
6、.針對現(xiàn)有觀點量化方法的不足,本文在DTO模型基礎上,首先提出主題觀點分布的假設,假設文本的觀點信息是在多個隱含主題上的多項分布。依據(jù)這一概率假設,本文進一步提出了主題觀點的量化表達模型,即文檔主題觀點向量模型(Document-Topic-Opinion Vector,簡稱DTOV模型)。利用DTO模型,可以將文檔觀點(Article Opinion)與文檔主題觀點關(guān)聯(lián)起來,最終實現(xiàn)對DTOV模型的量化計算。以DTOV為分類特征的情感
7、分類實驗結(jié)果表明,DTOV具有較好的主題觀點量化能力。
3.針對現(xiàn)有觀點集成方法的不足,本文首次提出一種基于文檔權(quán)重(Article-Weight)和主題權(quán)重(Topic-Weight)的主題觀點集成模型(Topic-Opinion Vector Aggregation Model,簡稱TOVA模型)。該模型通過集成文檔集合中所有文檔的主題觀點,為整個文檔集生成一個主題觀點集成向量(Aggregative Topic-Opin
8、ion Vector,簡稱ATOV)。利用TOVA模型,可以同時挖掘出互聯(lián)網(wǎng)上多個熱點話題的輿情信息,具有較高的應用價值。為了驗證觀點集成模型的有效性,本文利用DTO模型對中國最大的互聯(lián)網(wǎng)門戶網(wǎng)站新浪財經(jīng)每日發(fā)布的股票相關(guān)文本信息進行主題觀點挖掘,為每篇互聯(lián)網(wǎng)財經(jīng)文檔生成一個對應的DTOV,然后再利用TOVA模型整合每天所有的DTOV,最終得到每天的主題觀點集成向量ATOV。ATOV可以看作是每日互聯(lián)網(wǎng)上圍繞熱點主題的觀點信息,為了迸一
9、步驗證其對股市波動的預測能力,我們將每日生成的ATOV作為特征數(shù)據(jù),利用文本分類方法對上證綜指隔日波動方向進行預測。實驗結(jié)果驗證了ATOV對股市波動的預測能力,同時也反映出TOVA模型較強的觀點整合能力。
4.針對現(xiàn)有方法對文本多分類模型研究的不足,本文在正則化理論和模糊集理論的基礎上,首次提出了一種多數(shù)據(jù)域描述(Multiple Data Domain DescriptionModel,簡稱MDDD模型)的文本多分類方法。M
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- Web使用挖掘若干關(guān)鍵問題研究.pdf
- 基于特征的觀點挖掘中的若干關(guān)鍵問題研究.pdf
- 面向Web信息集成的Web信息抽取中若干關(guān)鍵問題的研究.pdf
- WEB文本挖掘中關(guān)鍵問題的研究.pdf
- 文本挖掘中若干關(guān)鍵問題的研究.pdf
- Web搜索與Web緩存的若干關(guān)鍵問題研究.pdf
- 意見挖掘中若干關(guān)鍵問題研究.pdf
- 生物信息數(shù)據(jù)挖掘若干關(guān)鍵問題研究與應用.pdf
- 時間序列數(shù)據(jù)挖掘若干關(guān)鍵問題研究.pdf
- Web信息智能獲取若干關(guān)鍵問題研究.pdf
- Web信息抽取中的若干關(guān)鍵問題研究.pdf
- Web Services合成中若干關(guān)鍵問題的研究.pdf
- Web網(wǎng)絡社區(qū)發(fā)現(xiàn)中若干關(guān)鍵問題研究.pdf
- 高維數(shù)據(jù)挖掘中若干關(guān)鍵問題的研究.pdf
- 文本語義分析與挖掘的若干關(guān)鍵問題研究.pdf
- 面向web社區(qū)的觀點挖掘關(guān)鍵技術(shù)研究與實現(xiàn).pdf
- Web-based推薦系統(tǒng)中若干關(guān)鍵問題研究.pdf
- 面向跨語言文本挖掘的集成學習關(guān)鍵問題研究.pdf
- 面向推薦系統(tǒng)的關(guān)鍵問題研究及應用.pdf
- Web觀點挖掘系統(tǒng)的關(guān)鍵技術(shù)研究.pdf
評論
0/150
提交評論