利用深度学习模型的证券研报分析方法及装置制造方法及图纸

本发明专利技术公开一种利用深度学习模型的证券研报分析方法，包括：接收待分析证券研报；对该证券研报进行分句得到各分句；将各分句采用第一深度学习模型进行评分得到各分句的第一评分并基于第一评分确定观点类分句；将各观点类分句采用第二深度学习模型进行评分得到各观点类分句的第二评分并基于第二评分确定行业观点类分句；将各行业观点类分句采用第三深度学习模型进行评分得到各行业观点类分句的第三评分；根据各行业观点类分句的第二、第三评分确定该证券研报的整体情感趋势。本发明专利技术利用深度学习模型进行智能化评分的方式实现对证券研报的分析，可解决现有技术针对证券研报分析方案的效率及准确率较低的问题，提高对证券研报分析的效率及准确率。

【技术实现步骤摘要】
利用深度学习模型的证券研报分析方法及装置
本专利技术涉及计算机
，具体涉及一种利用深度学习模型的证券研报分析方法及装置。
技术介绍
证券研究报告，也可简称为证券研报，是指相关研究人员(比如证券公司内的研究人员等)对证券及相关产品的价值、或者影响其市场价格的因素进行分析，所作出的研究报告。对证券研报进行分析，可以及时了解证券研报中关于行业、政策、投资可行性等方面情况，但目前主要还是通过人工方式对证券研报进行阅读分析，以获得作者的核心观点等有用信息，此种方式需要耗费大量人力，效率及准确率都较低。此外，也有通过情感词典进行分析的方案，比如通过与情感词典中关键语库进行比对，以对证券研报中的语句进行情感分析，此种方式相对割裂了语句的前后关系，很难对语句进行比较完善准确的分析，尤其在针对具有因果、转折类等关联关系的语句时，分析的准确率更为不理想。相关技术中针对证券研报分析方案的效率及准确率较低的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术的目的在于提供一种利用深度学习模型的证券研报分析方法、装置、计算机设备及可读存储介质，进而在一定程度上克服上述现有技术中存在的问题，可提高对证券研报分析的效率及准确率。本专利技术是通过下述技术方案来解决上述技术问题：根据本专利技术的一个方面，提供了一种利用深度学习模型的证券研报分析方法，包括如下步骤：S01，接收输入的待分析证券研报；S02，对所述待分析证券研报进行分句处理，得到待分析证券研报中的各分句；S03，将待分析证券研报中的各分句采用预先训练好的第一深度学习模型进行评分，以得到针对待分析证券研报中的各分句的第一评分，并基于第一评分从待分析证券研报中的各分句中确定观点类分句；S04，将待分析证券研报中的各观点类分句采用预先训练好的第二深度学习模型进行评分，以得到针对待分析证券研报中的各观点类分句的第二评分，并基于第二评分从待分析证券研报中的各观点类分句中确定行业观点类分句；S05，将待分析证券研报中的各行业观点类分句采用预先训练好的第三深度学习模型进行评分，以得到针对待分析证券研报中的各行业观点类分句的第三评分，所述第三评分用于确定待分析证券研报中的各行业观点类分句的情感趋势；S06，根据待分析证券研报中的各行业观点类分句的第二评分及第三评分确定待分析证券研报的整体情感趋势。进一步的，S02对待分析证券研报进行分句处理，得到待分析证券研报中的各分句，包括：根据预置类型的符号对待分析证券研报进行分句处理，得到待分析证券研报中的各分句；对待分析证券研报中的各分句进行分词处理，得到待分析证券研报中的各分词；基于预置的包括分词与数值的对应转换关系的字典，确定待分析证券研报中的各分词对应的数值；根据确定结果，将待分析证券研报中的各分句转换成数值向量格式的分句。进一步的，第一深度学习模型的训练过程，包括如下步骤：步骤110，确定第一数据集，所述第一数据集包括预先对预置篇数的证券研报的摘要部分进行分句处理后得到的多个分句，其中每个分句具有预先标注的第一类型标签，第一类型标签包括观点类和非观点类；步骤120，将标注有第一类型标签的各分句进行分词处理，得到标注有第一类型标签的各分词；步骤130，根据预置规则将标注有第一类型标签的各分词转换为对应的第一数值，并将标注有第一类型标签的各分词与其对应的第一数值存储于预置的包括分词与数值的对应转换关系的字典中；步骤140，根据所述字典，将标注有第一类型标签的各分句转换成数值向量格式的分句，形成第一数值向量分句集合；步骤150，从第一数值向量分句集合中选取第一预置数量的分句作为第一训练数据；步骤160，将第一训练数据经深度学习模型进行训练，以获得第一深度学习模型。进一步的，第二深度学习模型的训练过程，包括如下步骤：步骤210，确定第二数据集，所述第二数据集包括预先对预置篇数的证券研报的摘要部分进行分句处理后得到的多个分句，其中每个分句具有预先标注的第一类型标签，第一类型标签包括观点类和非观点类，且标注有观点类标签的分句同时具有预先标注的第二类型标签，第二类型标签包括行业观点类和非行业观点类；步骤220，将标注有第二类型标签的各分句进行分词处理，得到标注有第二类型标签的各分词；步骤230，根据预置规则将标注有第二类型标签的各分词转换为对应的第二数值，并将标注有第二类型标签的各分词与其对应的第二数值存储于预置的包括分词与数值的对应转换关系的字典中；步骤240，根据所述字典，将标注有第二类型标签的各分句转换成数值向量格式的分句，形成第二数值向量分句集合；步骤250，从第二数值向量分句集合中选取第二预置数量的分句作为第二训练数据；步骤260，将第二训练数据经深度学习模型进行训练，以获得第二深度学习模型。进一步的，第三深度学习模型的训练过程，包括如下步骤：步骤310，确定第三数据集，所述第三数据集包括预先对预置篇数的证券研报的摘要部分进行分句处理后得到的多个分句，其中每个分句具有预先标注的第一类型标签，第一类型标签包括观点类和非观点类，且标注有观点类标签的分句同时具有预先标注的第二类型标签，第二类型标签包括行业观点类和非行业观点类，且标注有行业观点类标签的分句同时具有预先标注的第三类型标签，第三类型标签包括看涨类和看跌类；步骤320，将标注有第三类型标签的各分句进行分词处理，得到标注有第三类型标签的各分词；步骤330，根据预置规则将标注有第三类型标签的各分词转换为对应的第三数值，并将标注有第三类型标签的各分词与其对应的第三数值存储于预置的包括分词与数值的对应转换关系的字典中；步骤340，根据所述字典，将标注有第三类型标签的各分句转换成数值向量格式的分句，形成第三数值向量分句集合；步骤350，从第三数值向量分句集合中选取第三预置数量的分句作为第三训练数据；步骤360，将第三训练数据经深度学习模型进行训练，以获得第三深度学习模型。进一步的，所述深度学习模型为长短期记忆网络机器学习模型。进一步的，S06根据待分析证券研报中的各行业观点类分句的第二评分及第三评分确定待分析证券研报的整体情感趋势，包括：计算待分析证券研报中的每个行业观点类分句的第二评分与第三评分的积，作为每个行业观点类分句的第一积值；计算所有行业观点类分句的第一积值的和，作为第一和值；计算所有行业观点类分句的第二评分的和，作为第二和值；将第一和值除以第二和值，得到待分析证券研报的整体情感评分；判断所述待分析证券研报的整体情感评分是否高于预置评分阈值；若是，则确定待分析证券研报的整体情感趋势为看涨，若否，则确定待分析证券研报的整体情感趋势为看跌。进一步的，所述方法还包括：根据待分析证券研报中的各行业观点类分句的第三评分确定与证券研报的整体情感趋势一致的行业观点类分句；从确定结果中选取第三评分最高或最低的预设个数的行业观点类分句，作为待分析证券研报的核心观点并输出。为了实现上述目的，本专利技术还提供一种利用深度学习模型的证券研报分析装置，包括：接收模块，用于接收输入的待分析证券研报；分句模块，用于对待分析证券研报进行分句处理，得到待分析证券研报中的各分句；第一评分模块，用于将待分析证券研报中的各分句采用预先训练好的第一深度学习模型进行评分，以得到针对待分析证券研报中的各分句的第一评分，并基于第一评本文档来自技高网...

【技术保护点】
1.一种利用深度学习模型的证券研报分析方法，其特征在于，包括如下步骤：S01，接收输入的待分析证券研报；S02，对待分析证券研报进行分句处理，得到待分析证券研报中的各分句；S03，将待分析证券研报中的各分句采用预先训练好的第一深度学习模型进行评分，以得到针对待分析证券研报中的各分句的第一评分，并基于第一评分从待分析证券研报中的各分句中确定观点类分句；S04，将待分析证券研报中的各观点类分句采用预先训练好的第二深度学习模型进行评分，以得到针对待分析证券研报中的各观点类分句的第二评分，并基于第二评分从待分析证券研报中的各观点类分句中确定行业观点类分句；S05，将待分析证券研报中的各行业观点类分句采用预先训练好的第三深度学习模型进行评分，以得到针对待分析证券研报中的各行业观点类分句的第三评分，所述第三评分用于确定待分析证券研报中的各行业观点类分句的情感趋势；S06，根据待分析证券研报中的各行业观点类分句的第二评分及第三评分确定待分析证券研报的整体情感趋势。

【技术特征摘要】
1.一种利用深度学习模型的证券研报分析方法，其特征在于，包括如下步骤：S01，接收输入的待分析证券研报；S02，对待分析证券研报进行分句处理，得到待分析证券研报中的各分句；S03，将待分析证券研报中的各分句采用预先训练好的第一深度学习模型进行评分，以得到针对待分析证券研报中的各分句的第一评分，并基于第一评分从待分析证券研报中的各分句中确定观点类分句；S04，将待分析证券研报中的各观点类分句采用预先训练好的第二深度学习模型进行评分，以得到针对待分析证券研报中的各观点类分句的第二评分，并基于第二评分从待分析证券研报中的各观点类分句中确定行业观点类分句；S05，将待分析证券研报中的各行业观点类分句采用预先训练好的第三深度学习模型进行评分，以得到针对待分析证券研报中的各行业观点类分句的第三评分，所述第三评分用于确定待分析证券研报中的各行业观点类分句的情感趋势；S06，根据待分析证券研报中的各行业观点类分句的第二评分及第三评分确定待分析证券研报的整体情感趋势。2.根据权利要求1所述的利用深度学习模型的证券研报分析方法，其特征在于，S02对待分析证券研报进行分句处理，得到待分析证券研报中的各分句，包括：根据预置类型的符号对待分析证券研报进行分句处理，得到待分析证券研报中的各分句；对待分析证券研报中的各分句进行分词处理，得到待分析证券研报中的各分词；基于预置的包括分词与数值的对应转换关系的字典，确定待分析证券研报中的各分词对应的数值；根据确定结果，将待分析证券研报中的各分句转换成数值向量格式的分句。3.根据权利要求1所述的利用深度学习模型的证券研报分析方法，其特征在于，第一深度学习模型的训练过程，包括如下步骤：步骤110，确定第一数据集，所述第一数据集包括预先对预置篇数的证券研报的摘要部分进行分句处理后得到的多个分句，其中每个分句具有预先标注的第一类型标签，第一类型标签包括观点类和非观点类；步骤120，将标注有第一类型标签的各分句进行分词处理，得到标注有第一类型标签的各分词；步骤130，根据预置规则将标注有第一类型标签的各分词转换为对应的第一数值，并将标注有第一类型标签的各分词与其对应的第一数值存储于预置的包括分词与数值的对应转换关系的字典中；步骤140，根据所述字典，将标注有第一类型标签的各分句转换成数值向量格式的分句，形成第一数值向量分句集合；步骤150，从第一数值向量分句集合中选取第一预置数量的分句作为第一训练数据；步骤160，将第一训练数据经深度学习模型进行训练，以获得第一深度学习模型。4.根据权利要求1所述的利用深度学习模型的证券研报分析方法，其特征在于，第二深度学习模型的训练过程，包括如下步骤：步骤210，确定第二数据集，所述第二数据集包括预先对预置篇数的证券研报的摘要部分进行分句处理后得到的多个分句，其中每个分句具有预先标注的第一类型标签，第一类型标签包括观点类和非观点类，且标注有观点类标签的分句同时具有预先标注的第二类型标签，第二类型标签包括行业观点类和非行业观点类；步骤220，将标注有第二类型标签的各分句进行分词处理，得到标注有第二类型标签的各分词；步骤230，根据预置规则将标注有第二类型标签的各分词转换为对应的第二数值，并将标注有第二类型标签的各分词与其对应的第二数值存储于预置的包括分词与数值的对应转换关系的字典中；步骤240，根据所述字典，将标注有第二类型标签的各分句转换成数值向量格式的分句，形成第二数值向量分句集合；步骤250，从第二数值向量分句集合中选取第二预置数量的分句作为第二训练数据；步骤260，将第二训练数据经深度学习模型进行训练，以获得第二深度学习模型。5.根据权利要求1所述的利用深度学习模型的证券研报分析方法，其特征在于，第三深度学习模型的...

【专利技术属性】
技术研发人员：叶曙峰，蒋逸文，陈泽晖，顾研，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44