自在ImageNet上推出AlexNet以來，計算機視覺的深度學習已成功應用于各種應用。相反，NLP在深層神經(jīng)網(wǎng)絡應用方面一直落后。許多聲稱使用人工智能的應用程序通常使用某種基于規(guī)則的算法和傳統(tǒng)的機器學習，而不是使用深層神經(jīng)網(wǎng)絡。

2018年，在一些NLP任務中，一種名為BERT的最先進（STOA）模型的表現(xiàn)超過了人類的得分。在這里，我將幾個模型應用于情緒分析任務，以了解它們在我所處的金融市場中有多大用處。代碼在jupyter notebook中，在git repo中可用//github.com/yuki678/financial-phrase-bert

介紹

NLP任務可以大致分為以下幾類。

文本分類——過濾垃圾郵件，對文檔進行分類

詞序——詞翻譯，詞性標記，命名實體識別

文本意義——主題模型，搜索，問答

seq2seq——機器翻譯、文本摘要、問答

對話系統(tǒng)

不同的任務需要不同的方法，在大多數(shù)情況下是多種NLP技術的組合。在開發(fā)機器人時，后端邏輯通常是基于規(guī)則的搜索引擎和排名算法，以形成自然的通信。

這是有充分理由的。語言有語法和詞序，可以用基于規(guī)則的方法更好地處理，而機器學習方法可以更好地學習單詞相似性。向量化技術如word2vec、bag of word幫助模型以數(shù)學方式表達文本。最著名的例子是：

King-Man+Woman=Queen Paris-France+UK=London

第一個例子描述了性別關系，第二個例子描述了首都的概念。然而，在這些方法中，由于在任何文本中同一個詞總是由同一個向量表示，因此上下文不能被捕獲，這在許多情況下是不正確的。

循環(huán)神經(jīng)網(wǎng)絡（RNN）結(jié)構利用輸入序列的先驗信息，處理時間序列數(shù)據(jù)，在捕捉和記憶上下文方面表現(xiàn)良好。LSTM是一種典型的結(jié)構，它由輸入門、輸出門和遺忘門組成，克服了RNN的梯度問題。有許多基于LSTM的改進模型，例如雙向LSTM，不僅可以從前面的單詞中捕捉上下文，而且可以從后面捕獲上下文。這些方法對于某些特定的任務是有用的，但在實際應用中卻不太適用。

2017年，我們看到了一種新的方法來解決這個問題。BERT是Google在2018年推出的一個多編碼器堆棧的掩碼語言模型，在GLUE、SQuAD和SWAG基準測試中實現(xiàn)了STOA，并有了很大的改進。有很多文章和博客解釋了這種架構，比如Jay Alammar的文章：http://jalammar.github.io/illustrated-bert/

我在金融行業(yè)工作，在過去的幾年里，我很難看到我們在NLP上的機器學習模型在交易系統(tǒng)中的生產(chǎn)應用方面有足夠的強勁表現(xiàn)。現(xiàn)在，基于BERT的模型正在變得成熟和易于使用，這要歸功于Huggingface的實現(xiàn)和許多預訓練的模型已經(jīng)公開。

我的目標是看看這個NLP的最新開發(fā)是否達到了在我的領域中使用的良好水平。在這篇文章中，我比較了不同的模型，這是一個相當簡單的任務，即對金融文本的情緒分析，以此作為基線來判斷是否值得在真正的解決方案中嘗試另一個研發(fā)。

此處比較的模型有：

基于規(guī)則的詞典方法

基于Tfidf的傳統(tǒng)機器學習方法

作為一種循環(huán)神經(jīng)網(wǎng)絡結(jié)構的LSTM

BERT（和ALBERT）

輸入數(shù)據(jù)

在情緒分析任務中，我采用以下兩種輸入來表示行業(yè)中的不同語言。

財經(jīng)新聞標題——正式

來自Stocktwits的Tweets——非正式

我將為后者寫另一篇文章，所以這里關注前者的數(shù)據(jù)。這是一個包含更正式的金融領域特定語言的文本示例，我使用了Malo等人的FinancialPhraseBank（https://www.researchgate.net/publication/251231107_Good_Debt_or_Bad_Debt_Detecting_Semantic_Orientations_in_Economic_Texts）包括4845篇由16人手寫的標題文本，并提供同意等級。我使用了75%的同意等級和3448個文本作為訓練數(shù)據(jù)。

##輸入文本示例 positive"FinnishsteelmakerRautaruukkiOyj(Ruukki)saidonJuly7,2008thatitwona9.0mlneuro($14.1mln)contracttosupplyandinstallsteelsuperstructuresforPartihallsforbindelsenbridgeprojectinGothenburg,westernSweden." neutral"In2008,thesteelindustryaccountedfor64percentofthecargovolumestransported,whereastheenergyindustryaccountedfor28percentandotherindustriesfor8percent." negative"Theperiod-endcashandcashequivalentstotaledEUR6.5m,comparedtoEUR10.5minthepreviousyear."

請注意，所有數(shù)據(jù)都屬于來源，用戶必須遵守其版權和許可條款。

模型

下面是我比較了四款模型的性能。

A、 基于詞匯的方法

創(chuàng)建特定于領域的詞典是一種傳統(tǒng)的方法，在某些情況下，如果源代碼來自特定的個人或媒體，則這種方法簡單而強大。Loughran和McDonald情感詞列表。這個列表包含超過4k個單詞，這些單詞出現(xiàn)在帶有情緒標簽的財務報表上。注：此數(shù)據(jù)需要許可證才能用于商業(yè)應用。請在使用前檢查他們的網(wǎng)站。

##樣本 negative:ABANDON negative:ABANDONED constraining:STRICTLY

我用了2355個消極單詞和354個積極單詞。它包含單詞形式，因此不要對輸入執(zhí)行詞干分析和詞干化。對于這種方法，考慮否定形式是很重要的。比如not，no，don，等等。這些詞會把否定詞的意思改為肯定的，如果前面三個詞中有否定詞，這里我簡單地把否定詞的意思轉(zhuǎn)換成肯定詞。

然后，情感得分定義如下。

tone_score=100*(pos_count—neg_count)/word_count

用默認參數(shù)訓練14個不同的分類器，然后用網(wǎng)格搜索交叉驗證法對隨機森林進行超參數(shù)整定。

classifiers=[] classifiers.append(("SVC",SVC(random_state=random_state))) classifiers.append(("DecisionTree",DecisionTreeClassifier(random_state=random_state))) classifiers.append(("AdaBoost",AdaBoostClassifier(DecisionTreeClassifier(random_state=random_state),random_state=random_state,learning_rate=0.1))) classifiers.append(("RandomForest",RandomForestClassifier(random_state=random_state,n_estimators=100))) classifiers.append(("ExtraTrees",ExtraTreesClassifier(random_state=random_state))) classifiers.append(("GradientBoosting",GradientBoostingClassifier(random_state=random_state))) classifiers.append(("MultipleLayerPerceptron",MLPClassifier(random_state=random_state))) classifiers.append(("KNeighboors",KNeighborsClassifier(n_neighbors=3))) classifiers.append(("LogisticRegression",LogisticRegression(random_state=random_state))) classifiers.append(("LinearDiscriminantAnalysis",LinearDiscriminantAnalysis())) classifiers.append(("GaussianNB",GaussianNB())) classifiers.append(("Perceptron",Perceptron())) classifiers.append(("LinearSVC",LinearSVC())) classifiers.append(("SGD",SGDClassifier())) cv_results=[] forclassifierinclassifiers: cv_results.append(cross_validate(classifier[1],X_train,y=Y_train,scoring=scoring,cv=kfold,n_jobs=-1))#使用隨機森林分類器 rf_clf=RandomForestClassifier() #執(zhí)行網(wǎng)格搜索 param_grid={'n_estimators':np.linspace(1,60,10,dtype=int), 'min_samples_split':[1,3,5,10], 'min_samples_leaf':[1,2,3,5], 'max_features':[1,2,3], 'max_depth':[None], 'criterion':['gini'], 'bootstrap':[False]} model=GridSearchCV(rf_clf,param_grid=param_grid,cv=kfold,scoring=scoring,verbose=verbose,refit=refit,n_jobs=-1,return_train_score=True) model.fit(X_train,Y_train) rf_best=model.best_estimator_

B、 基于Tfidf向量的傳統(tǒng)機器學習

輸入被NLTK word_tokenize()標記化，然后詞干化和刪除停用詞。然后輸入到TfidfVectorizer ，通過Logistic回歸和隨機森林分類器進行分類。

###邏輯回歸 pipeline1=Pipeline([ ('vec',TfidfVectorizer(analyzer='word')), ('clf',LogisticRegression())]) pipeline1.fit(X_train,Y_train) ###隨機森林與網(wǎng)格搜索 pipeline2=Pipeline([ ('vec',TfidfVectorizer(analyzer='word')), ('clf',RandomForestClassifier())]) param_grid={'clf__n_estimators':[10,50,100,150,200], 'clf__min_samples_leaf':[1,2], 'clf__min_samples_split':[4,6], 'clf__max_features':['auto'] } model=GridSearchCV(pipeline2,param_grid=param_grid,cv=kfold,scoring=scoring,verbose=verbose,refit=refit,n_jobs=-1,return_train_score=True) model.fit(X_train,Y_train) tfidf_best=model.best_estimator_

C、 LSTM

由于LSTM被設計用來記憶表達上下文的長期記憶，因此使用自定義的tokenizer并且輸入是字符而不是單詞，所以不需要詞干化或輸出停用詞。輸入先到一個嵌入層，然后是兩個lstm層。為了避免過擬合，應用dropout，然后是全連接層，最后采用log softmax。

classTextClassifier(nn.Module): def__init__(self,vocab_size,embed_size,lstm_size,dense_size,output_size,lstm_layers=2,dropout=0.1): """ 初始化模型 """ super().__init__() self.vocab_size=vocab_size self.embed_size=embed_size self.lstm_size=lstm_size self.dense_size=dense_size self.output_size=output_size self.lstm_layers=lstm_layers self.dropout=dropout self.embedding=nn.Embedding(vocab_size,embed_size) self.lstm=nn.LSTM(embed_size,lstm_size,lstm_layers,dropout=dropout,batch_first=False) self.dropout=nn.Dropout(dropout) ifdense_size==0: self.fc=nn.Linear(lstm_size,output_size) else: self.fc1=nn.Linear(lstm_size,dense_size) self.fc2=nn.Linear(dense_size,output_size) self.softmax=nn.LogSoftmax(dim=1) definit_hidden(self,batch_size): """ 初始化隱藏狀態(tài) """ weight=next(self.parameters()).data hidden=(weight.new(self.lstm_layers,batch_size,self.lstm_size).zero_(), weight.new(self.lstm_layers,batch_size,self.lstm_size).zero_()) returnhidden defforward(self,nn_input_text,hidden_state): """ 在nn_input上執(zhí)行模型的前項傳播 """ batch_size=nn_input_text.size(0) nn_input_text=nn_input_text.long() embeds=self.embedding(nn_input_text) lstm_out,hidden_state=self.lstm(embeds,hidden_state) #堆疊LSTM輸出，應用dropout lstm_out=lstm_out[-1,:,:] lstm_out=self.dropout(lstm_out) #全連接層 ifself.dense_size==0: out=self.fc(lstm_out) else: dense_out=self.fc1(lstm_out) out=self.fc2(dense_out) #Softmax logps=self.softmax(out) returnlogps,hidden_state

作為替代，還嘗試了斯坦福大學的GloVe詞嵌入，這是一種無監(jiān)督的學習算法，用于獲取單詞的向量表示。在這里，用6百萬個標識、40萬個詞匯和300維向量對Wikipedia和Gigawords進行了預訓練。在我們的詞匯表中，大約90%的單詞都是在這個GloVe里找到的，其余的都是隨機初始化的。

D、 BERT和ALBERT

我使用了Huggingface中的transformer實現(xiàn)BERT模型?，F(xiàn)在他們提供了tokenizer和編碼器，可以生成文本id、pad掩碼和段id，可以直接在BertModel中使用，我們使用標準訓練過程。

與LSTM模型類似，BERT的輸出隨后被傳遞到dropout，全連接層，然后應用log softmax。如果沒有足夠的計算資源預算和足夠的數(shù)據(jù)，從頭開始訓練模型不是一個選擇，所以我使用了預訓練的模型并進行了微調(diào)。預訓練的模型如下所示：

BERT：bert-base-uncased

ALBERT：albert-base-v2

預訓練過的bert的訓練過程如下所示。

tokenizer=BertTokenizer.from_pretrained('bert-base-uncased',do_lower_case=True) model=BertForSequenceClassification.from_pretrained('bert-base-uncased',num_labels=3) deftrain_bert(model,tokenizer) #移動模型到GUP/CPU設備 device='cuda:0'iftorch.cuda.is_available()else'cpu' model=model.to(device) #將數(shù)據(jù)加載到SimpleDataset(自定義數(shù)據(jù)集類) train_ds=SimpleDataset(x_train,y_train) valid_ds=SimpleDataset(x_valid,y_valid) #使用DataLoader批量加載數(shù)據(jù)集中的數(shù)據(jù) train_loader=torch.utils.data.DataLoader(train_ds,batch_size=batch_size,shuffle=True) valid_loader=torch.utils.data.DataLoader(valid_ds,batch_size=batch_size,shuffle=False) #優(yōu)化器和學習率衰減 num_total_opt_steps=int(len(train_loader)*num_epochs) optimizer=AdamW_HF(model.parameters(),lr=learning_rate,correct_bias=False) scheduler=get_linear_schedule_with_warmup(optimizer,num_warmup_steps=num_total_opt_steps*warm_up_proportion,num_training_steps=num_total_opt_steps)#PyTorchscheduler #訓練 model.train() #Tokenizer參數(shù) param_tk={ 'return_tensors':"pt", 'padding':'max_length', 'max_length':max_seq_length, 'add_special_tokens':True, 'truncation':True } #初始化 best_f1=0. early_stop=0 train_losses=[] valid_losses=[] forepochintqdm(range(num_epochs),desc="Epoch"): #print('================epoch{}==============='.format(epoch+1)) train_loss=0. fori,batchinenumerate(train_loader): #傳輸?shù)皆O備 x_train_bt,y_train_bt=batch x_train_bt=tokenizer(x_train_bt,**param_tk).to(device) y_train_bt=torch.tensor(y_train_bt,dtype=torch.long).to(device) #重設梯度 optimizer.zero_grad() #前饋預測 loss,logits=model(**x_train_bt,labels=y_train_bt) #反向傳播 loss.backward() #損失 train_loss+=loss.item()/len(train_loader) #梯度剪切 torch.nn.utils.clip_grad_norm_(model.parameters(),max_grad_norm) #更新權重和學習率 optimizer.step() scheduler.step() train_losses.append(train_loss) #評估模式 model.eval() #初始化 val_loss=0. y_valid_pred=np.zeros((len(y_valid),3)) withtorch.no_grad(): fori,batchinenumerate(valid_loader): #傳輸?shù)皆O備 x_valid_bt,y_valid_bt=batch x_valid_bt=tokenizer(x_valid_bt,**param_tk).to(device) y_valid_bt=torch.tensor(y_valid_bt,dtype=torch.long).to(device) loss,logits=model(**x_valid_bt,labels=y_valid_bt) val_loss+=loss.item()/len(valid_loader) valid_losses.append(val_loss) #計算指標 acc,f1=metric(y_valid,np.argmax(y_valid_pred,axis=1)) #如果改進了，保存模型。如果沒有，那就提前停止 ifbest_f1=patience: break #返回訓練模式 model.train() returnmodel

評估

首先，輸入數(shù)據(jù)以8:2分為訓練組和測試集。測試集保持不變，直到所有參數(shù)都固定下來，并且每個模型只使用一次。由于數(shù)據(jù)集不用于計算交叉集，因此驗證集不用于計算。此外，為了克服數(shù)據(jù)集不平衡和數(shù)據(jù)集較小的問題，采用分層K-Fold交叉驗證進行超參數(shù)整定。

由于輸入數(shù)據(jù)不平衡，因此評估以F1分數(shù)為基礎，同時也參考了準確性。

defmetric(y_true,y_pred): acc=accuracy_score(y_true,y_pred) f1=f1_score(y_true,y_pred,average='macro') returnacc,f1 scoring={'Accuracy':'accuracy','F1':'f1_macro'} refit='F1' kfold=StratifiedKFold(n_splits=5)

模型A和B使用網(wǎng)格搜索交叉驗證，而C和D的深層神經(jīng)網(wǎng)絡模型使用自定義交叉驗證。

#分層KFold skf=StratifiedKFold(n_splits=5,shuffle=True,random_state=rand_seed) #循環(huán) forn_fold,(train_indices,valid_indices)inenumerate(skf.split(y_train,y_train)): #模型 model=BertForSequenceClassification.from_pretrained('bert-base-uncased',num_labels=3) #輸入數(shù)據(jù) x_train_fold=x_train[train_indices] y_train_fold=y_train[train_indices] x_valid_fold=x_train[valid_indices] y_valid_fold=y_train[valid_indices] #訓練 train_bert(model,x_train_fold,y_train_fold,x_valid_fold,y_valid_fold)

結(jié)果

基于BERT的微調(diào)模型在花費了或多或少相似的超參數(shù)調(diào)整時間之后，明顯優(yōu)于其他模型。

模型A表現(xiàn)不佳，因為輸入過于簡化為情感得分，情感分數(shù)是判斷情緒的單一值，而隨機森林模型最終將大多數(shù)數(shù)據(jù)標記為中性。簡單的線性模型只需對情感評分應用閾值就可以獲得更好的效果，但在準確度和f1評分方面仍然很低。

我們沒有使用欠采樣/過采樣或SMOTE等方法來平衡輸入數(shù)據(jù)，因為它可以糾正這個問題，但會偏離存在不平衡的實際情況。如果可以證明為每個要解決的問題建立一個詞典的成本是合理的，這個模型的潛在改進是建立一個自定義詞典，而不是L-M詞典。

模型B比前一個模型好得多，但是它以幾乎100%的準確率和f1分數(shù)擬合了訓練集，但是沒有被泛化。我試圖降低模型的復雜度以避免過擬合，但最終在驗證集中的得分較低。平衡數(shù)據(jù)可以幫助解決這個問題或收集更多的數(shù)據(jù)。

模型C產(chǎn)生了與前一個模型相似的結(jié)果，但改進不大。事實上，訓練數(shù)據(jù)的數(shù)量不足以從零開始訓練神經(jīng)網(wǎng)絡，需要訓練到多個epoch，這往往會過擬合。預訓練的GloVe并不能改善結(jié)果。對后一種模型的一個可能的改進是使用類似領域的大量文本（如10K、10Q財務報表）來訓練GloVe，而不是使用維基百科中預訓練過的模型。

模型D在交叉驗證和最終測試中的準確率和f1分數(shù)均達到90%以上。它正確地將負面文本分類為84%，而正面文本正確分類為94%，這可能是由于輸入的數(shù)量，但最好仔細觀察以進一步提高性能。這表明，由于遷移學習和語言模型，預訓練模型的微調(diào)在這個小數(shù)據(jù)集上表現(xiàn)良好。

結(jié)論

這個實驗展示了基于BERT的模型在我的領域中應用的潛力，以前的模型沒有產(chǎn)生足夠的性能。然而，結(jié)果不是確定性的，如果調(diào)整下超參數(shù)，結(jié)果可能會有所不同。

值得注意的是，在實際應用中，獲取正確的輸入數(shù)據(jù)也相當重要。沒有高質(zhì)量的數(shù)據(jù)（通常被稱為“垃圾輸入，垃圾輸出”）就不能很好地訓練模型。

我下次再談這些問題。這里使用的所有代碼都可以在git repo中找到：https://github.com/yuki678/financial-phrase-bert

原文鏈接：https://towardsdatascience.com/nlp-in-the-financial-market-sentiment-analysis-9de0dda95dc

責任編輯：xj

原文標題：金融市場中的NLP——情感分析

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉(zhuǎn)載請注明出處。