深い学習に基づく金融テキストの感情分類

金融テキストの感情分類は、株式市場と金融危機を予測するために非常に重要です。現在、深い学習を採用している自然言語処理（NLP）の分野でのアプリケーションの人気により、自動テキスト分類とテキストベースのセンチメント分類の適用はますます広範になりました。ただし、ラベル付きサンプルが不足しているため、金融テキストベースのセンチメント分類の分野では、そのようなアプリケーションは限られています。このペーパーでは、ドメインに適合した金融テキスト分類方法が提案されており、センチメントラベルと、提案されたニューラルネットワークのトレーニングサンプルとして、センチメントラベルと大量の非標識ターゲットドメイン（TD）の財務テキストデータを使用してソースドメイン（SD）テキストデータを採用できます。提案された方法は、クロスドメイントランスファーラーニングベースの方法です。ドメイン分類サブネットワークは元のニューラルネットワークに追加され、ドメイン分類損失関数も元のトレーニング損失関数に追加されます。したがって、ネットワークはターゲットドメインに同時に適応し、分類タスクを達成できます。提案されたセンチメント分類転送学習方法の実験は、オープンソースデータセットを介して実行されます。このペーパーで提案された方法では、ドメイン学習のソースドメインとして、Amazon Books、DVD、Electronics、Kitchenアプライアンスのレビューを使用し、分類精度率はそれぞれ65.0％、61.2％、61.6％、66.3％に達することがあります。非輸送学習と比較して、分類精度はそれぞれ11.0％、7.6％、11.4％、および13.4％改善されました。

Sentiment classification for financial texts is of great importance for predicting stock markets and financial crises. At present, with the popularity of applications in the field of natural language processing (NLP) adopting deep learning, the application of automatic text classification and text-based sentiment classification has become more and more extensive. However, in the field of financial text-based sentiment classification, due to a lack of labeled samples, such applications are limited. A domain-adaptation-based financial text sentiment classification method is proposed in this paper, which can adopt source domain (SD) text data with sentiment labels and a large amount of unlabeled target domain (TD) financial text data as training samples for the proposed neural network. The proposed method is a cross-domain transfer-learning-based method. The domain classification subnetwork is added to the original neural network, and the domain classification loss function is also added to the original training loss function. Therefore, the network can simultaneously adapt to the target domain and then accomplish the classification task. The experiment of the proposed sentiment classification transfer learning method is carried out through an open-source dataset. The proposed method in this paper uses the reviews of Amazon Books, DVDs, electronics, and kitchen appliances as the source domain for cross-domain learning, and the classification accuracy rates can reach 65.0%, 61.2%, 61.6%, and 66.3%, respectively. Compared with nontransfer learning, the classification accuracy rate has improved by 11.0%, 7.6%, 11.4%, and 13.4%, respectively.