一种基于图卷积神经网络和依存分析的财经新闻情感分析方法

计算机与现代化 ›› 2022, Vol. 0 ›› Issue (05): 33-39.

一种基于图卷积神经网络和依存分析的财经新闻情感分析方法

（1.中国电子科技集团第三十研究所,四川成都610041；2.成都信息工程大学计算机学院,四川成都610225）

出版日期:2022-06-08 发布日期:2022-06-08
作者简介:姚春华（1974—），男，四川乐至人，高级工程师，本科，研究方向：网络空间安全，E-mail: bingmeng744211@qq.com；张学磊（1997—），男，四川巴中人，硕士研究生，研究方向：自然语言处理，情感分析，E-mail: zhangxueleie@163.com； 宋馨宇（1994—），男，黑龙江齐齐哈尔人，硕士研究生，研究方向：自然语言处理，情感分析，E-mail: xinyu.s@foxmail.com；张举（1998—），男，四川资阳人，硕士研究生，研究方向：自然语言处理，E-mail: 461009747@qq.com；蔡佳志（1998—），男，四川达州人，硕士研究生，研究方向：自然语言处理，E-mail: 113687914@qq.com；冯翱（1979—），男，四川岳池人，副教授，研究方向：自然语言处理，数据挖掘，E-mail: fengao@cuit.edu.cn。
基金资助:
国家重点研发计划项目（2017YFC0820700）；四川省重点研发项目（2020YFG0168）；四川省属高校科研创新团队项目（18TD0026）

A Financial News Sentiment Analysis Method Based on Graph Convolutional Neural Network and Dependency Analysis

(1. The 30th Research Institute of China Electronics Technology Group Corporation, Chengdu 610041, China;
2. College of Computer, Chengdu University of Information Technology, Chengdu 610225, China)

Online:2022-06-08 Published:2022-06-08

摘要/Abstract

摘要： 财经新闻的情感分析有助于企业和投资者确定投资风险和提高经济效益，具有较高的应用价值。针对财经新闻文本，提出一种在图卷积神经网络中使用依存句法分析（Dependency Analysis-based Graph Convolutional Network, DA-GCN）的情感分析方法。该方法通过分析文档中词语的依存关系，获取句子的语序信息和文档中重要的句子成分，再通过词语在文档中的共现信息实现信息传递和对图的参数更新。在财经新闻数据集上进行的实验表明，本文提出的方法与传统深度学习方法相比，在各项评价指标上都取得显著提升。

关键词: 图神经网络, 财经新闻, 依存分析, 情感分析, 深度学习

Abstract: Sentiment analysis of financial news helps enterprises and investors to determine investment risks and improves economic benefits, resulting in high application value. Graph neural networks have excellent performance in text classification, and have been applied to the field of sentiment analysis. In this paper, we propose a sentiment analysis method that uses dependency syntax analysis in graph convolutional neural networks (Dependency Analysis-based Graph Convolutional Network, DA-GCN) for financial news. This method obtains the word order information of the sentence and the syntactic in the document by analyzing the dependency of words in the document. It then implements information propagation and weight updates in the graph with co-occurrence information in each document. Experiments on a financial news dataset show that our model achieves significant performance improvements over traditional deep learning methods.

Key words: graph neural networks, financial news, dependency analysis, sentiment analysis, deep learning

姚春华, 张学磊, 宋馨宇, 张举, 蔡佳志, 冯翱. 一种基于图卷积神经网络和依存分析的财经新闻情感分析方法[J]. 计算机与现代化, 2022, 0(05): 33-39.

YAO Chun-hua, ZHANG Xue-lei, SONG Xing-yu, ZHANG Ju, CAI Jia-zhi, FENG Ao. A Financial News Sentiment Analysis Method Based on Graph Convolutional Neural Network and Dependency Analysis[J]. Computer and Modernization, 2022, 0(05): 33-39.

参考文献［37］

［1］	周立柱,贺宇凯,王建勇. 情感分析研究综述［J］. 计算机应用, 2008(11):2725-2728.
［2］	冯时. 面向网络舆情分析的观点挖掘关键技术研究［D］. 沈阳:东北大学, 2011.
［3］	巨慧慧. 针对网络舆情的情感倾向性研究［D］. 哈尔滨:哈尔滨工业大学, 2010.
［4］	程萧潇. 场景效应还是内容效应?——财经新闻、网络舆情对股市行情的实证检验［J］. 统计与信息论坛, 2019,34(7):69-75.
［5］	洪巍,李敏. 文本情感分析方法研究综述［J］. 计算机工程与科学, 2019,41(4):750-757.
［6］	ZHOU J, CUI G Q, ZHANG Z Y, et al. Graph neural networks: A review of methods and applications［J］. AI Open， 2020:57-81.
［7］	KIM Y. Convolutional neural networks for sentence classification［J］. arXiv preprint arXiv:1408.5882, 2014.
［8］	ZAREMBA W, SUTSKEVER I, VINYALS O. Recurrent neural network regularization［J］. arXiv preprint arXiv: 1409.2329, 2014.
［9］	BRUNA J, ZAREMBA W, SZLAM A, et al. Spectral networks and locally connected networks on graphs［J］. arXiv preprint arXiv: 1312.6203, 2013.
［10］	XU K Y L, HU W H, LESKOVECET J, et al. How powerful are graph neural networks?［J］. arXiv preprint arXiv: 1810.00826, 2018.
［11］	DEFFERRARD M, BRESSON X, VANDERGHEYNST P. Convolutional neural networks on graphs with fast localized spectral filtering［J］. arXiv preprint arXiv:1606.09375, 2016.
［12］	BATTAGLIA P W, HAMRICK J B，BAPST V, et al. Relational inductive biases, deep learning, and graph networks［J］. arXiv preprint arXiv:1806.01261, 2018.
［13］	王健宗,孔令炜,黄章成,等. 图神经网络综述［J］. 计算机工程, 2021,47(4):1-12.
［14］	徐冰冰,岑科廷,黄俊杰,等. 图卷积神经网络综述［J］. 计算机学报, 2020,43(5):755-780.
［15］	SUYKENS A K, VANDEWALLE J. Least squares support vector machine classifiers［J］. Neural Processing Letters, 1999,9(3):293-300.
［16］	SAFAVIAN S R, LANDGREBE D. A survey of decision tree classifier methodology［J］. IEEE Transactions on Systems, Man, and Cybernetics, 1991,21(3):660-674.
［17］	RISH I. An empirical study of the naive Bayes classifier［C］// IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence. 2001:41-46.
［18］	CHURCH K, HANKS P. Word association norms, mutual information, and lexicography［J］. Computational linguistics, 1990,16(1):22-29.
［19］	刘爽,赵景秀,杨红亚,等. 文本情感分析综述［J］. 软件导刊, 2018,17(6):1-4.
［20］	夏海峰,陈军华. 基于文本挖掘的投诉热点智能分类［J］. 上海师范大学学报(自然科学版), 2013,42(5):470-475.
［21］	MIKOLOV T, CHEN K, CORRADO G, et al. Efficient estimation of word representations in vector space［J］. arXiv preprint arXiv:1301.3781, 2013.
［22］	PENNINGTON J, SOCHER R， MANNING C D, et al. Glove: Global vectors for word representation［C］// Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing. 2014:1532-1543.
［23］	HOCHREITER S, SCHMIDHUBER J. Long short-term memory［J］. Neural Computation, 1997,9(8):1735-1780.
［24］	YANG Z C, YANG D Y, DYER C, et al. Hierarchical attention networks for document classification［C］// Proceedings of the 2016 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. 2016:1480-1489.
［25］	DEVLIN J, CHANG M W, LEE K, et al. Bert: Pre-training of deep bidirectional transformers for language understanding［J］. arXiv preprint arXiv:1810.04805, 2018.
［26］	黄进,阮彤,蒋锐权. 基于SVM结合依存句法的金融领域舆情分析［J］. 计算机工程与应用, 2015,51(23):230-235.
［27］	CHE W X, FENG Y L, QIN L B, et al. N-ltp: A open-source neural chinese language technology platform with pretrained models［J］. arXiv preprint arXiv:2009.11616, 2020.
［28］	LI S, ZHAO Z, HU R F, et al. Analogical reasoning on Chinese morphological and semantic relations［J］. arXiv preprint arXiv:1805.06504, 2018.
［29］	YU C T, SALTON G. Precision weighting—An effective automatic indexing method［J］. Journal of the ACM, 1976,23(1):76-88.
［30］	AMATI G, VAN RIJSBERGEN C J. Probabilistic models of information retrieval based on measuring the divergence from randomness［J］. ACM Transactions on Information Systems, 2002,20(4):357-389.
［31］	GLOROT X, BORDES A, BENGIO Y. Deep sparse rectifier neural networks［C］// Proceedings of the 14th International Conference on Artificial Intelligence and Statistics. JMLR Workshop and Conference Proceedings. 2011:315-323.
［32］	PASZKE A, GROSS S, MASSA F, et al. Pytorch: An imperative style, high-performance deep learning library［C］// Conference and Workshop on Neural Information Processing Systems. 2019:8026-8037.
［33］	ZHOU C T, SUN C L， LIU Z Y， et al. AC-LSTM neural network for text classification［J］. arXiv preprint arXiv:1511.08630, 2015.
［34］	YAO L, MAO C S, LUO Y. Graph convolutional networks for text classification［C］// Proceedings of the AAAI Conference on Artificial Intelligence. 2019:7370-7377.
［35］	VIOLA P, WELLS W M. Alignment by maximization of mutual information［J］. International Journal of Computer Vision, 1997,24(2):137-154.
［36］	KENT J T. Information gain and a general measure of correlation［J］. Biometrika, 1983,70(1):163-173.
［37］	TURNEY P D, LITTMAN M L. Unsupervised learning of semantic orientation from a hundred-billion-word corpus［J］. arXiv preprintarXiv:cs/0212012, 2002.

[1]	胡崇佳, 刘金洲, 方立. 基于无监督域适应的室外点云语义分割[J]. 计算机与现代化, 2024, 0(01): 74-79.
[2]	林威. 基于自监督学习和数据回放的新闻推荐模型增量学习方法[J]. 计算机与现代化, 2023, 0(12): 1-6.
[3]	梁天恺, 黄康华, 刘凯航, 兰岚, 曾碧. 基于双向同态加密的深度联邦图片分类方法[J]. 计算机与现代化, 2023, 0(12): 36-40.
[4]	邱凯星, 冯广. 基于双重特征注意力的多标签图像分类模型[J]. 计算机与现代化, 2023, 0(12): 41-47.
[5]	张伯泉, 麦海鹏, 陈嘉敏, 逄锦聚. 基于高灰度值注意力机制的脑白质高信号分割[J]. 计算机与现代化, 2023, 0(12): 67-75.
[6]	马泽宇, 叶宁, 徐康, 王甦, 王汝传, . 基于FMCW雷达和ResNeSt-GRU的行为识别方法[J]. 计算机与现代化, 2023, 0(11): 101-107.
[7]	李诗月, 孟佳娜, 于玉海, 李雪莹, 许英傲. 基于知识增强的方面级情感分析方法[J]. 计算机与现代化, 2023, 0(10): 1-8.
[8]	陈俊义. 基于图节点动静态特征的健康事件预测模型[J]. 计算机与现代化, 2023, 0(10): 39-44.
[9]	李延满, 王必恒, 赵羚焱. 基于轻量化YOLOv5的安全帽检测[J]. 计算机与现代化, 2023, 0(10): 59-64.
[10]	黎世达, 项剑文. 一种提高图像识别模型鲁棒性的弱化强化方法[J]. 计算机与现代化, 2023, 0(10): 70-76.
[11]	沈加炜, 陆一鸣, 陈晓艺, 钱美玲, 陆卫忠, . 基于深度学习的人体行为检测方法研究综述[J]. 计算机与现代化, 2023, 0(09): 1-9.
[12]	刘禅奕, 黄丹, 薛林雁, 王涛, 朱桃, . 改进EfficientNet网络的COVID-19 X光分类[J]. 计算机与现代化, 2023, 0(09): 94-99.
[13]	马国祥, 杨凌菲, 严传波, 张志豪, 孙彬, 王晓荣. 基于深度DenseNet网络的肝包虫病超声影像诊断方法[J]. 计算机与现代化, 2023, 0(09): 100-104.
[14]	农皓程, 任德均, 任秋霖, 刘澎笠, 黄德成. 基于改进ConvNeXt的软塑包装表面异常检测算法[J]. 计算机与现代化, 2023, 0(08): 12-17.
[15]	欧阳飞, 吴旭, 向东升. 基于改进YOLOX的垃圾分类检测方法[J]. 计算机与现代化, 2023, 0(08): 68-73.