基于BERT模型的数据处理方法、装置、设备及可读存储介质

摘要

本发明涉及一种人工智能，提供一种基于BERT模型的数据处理方法、装置、电子设备及计算机可读存储介质，其中方法包括：通过scrapy爬虫工具获取预设数据提取范围内与目标数据相关的文本数据；对文本数据进行分词和向量化处理，获取文本数据的分词向量；通过预先训练的BERT模型对分词向量进行训练处理，获取所述文本数据的情感极性；其中，情感极性包括情感正向和情感负向；根据文本数据的情感极性构建目标数据的数据变化指数；根据数据变化指数，获取预设工作日内目标数据的数据变化信息；采用logistic回归函数对数据变化信息进行分类处理，获取目标数据的数据变化趋势。本发明主要目的在于通过对股评的情感分析获取正确的投资决策。

说明书

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于BERT模型的数据处理方法、装置、电子设备及计算机可读存储介质。

背景技术

现在股票投资者在进行投资决策时，容易受到自身的因素如情感与心理因素的影响。基于股票市场，股市作为宏观经济的晴雨表，同时也会受各种政策、新闻、舆论的影响，容易波动剧烈。随着互联网技术的发展，人们日益倾向于在网络平台上表达和交流，实时股评中往往包含着丰富的金融信息，体现投资者的情感及心理变化；目前股票投资者大都采用的一般简单的模型对金融信息进行分析处理，但是由于模型的简单化，模型不能对含着丰富的金融信息进行充分分析和计算，最后得到的投资决策并不准确，。

因此，为了解决上述问题，对股市的股评信息进行挖掘分析以及股评的情感分析，获取准确的投资决策，本发明亟需提供一种基于BERT模型的数据处理方法、装置、电子设备及计算机可读存储介质。

发明内容

本发明提供一种基于BERT模型的数据处理方法、装置、电子设备及计算机可读存储介质，其主要目的在于通过对股评的情感分析，获取正确的投资决策。

为实现上述目的，本发明提供的基于BERT模型的数据处理方法，应用于电子设备所述方法包括：

通过scrapy爬虫工具获取预设数据提取范围内与目标数据相关的文本数据；

对所述文本数据进行分词和向量化处理，获取文本数据的分词向量；

通过预先训练的BERT模型对所述分词向量进行训练处理，获取所述文本数据的情感极性；其中，所述情感极性包括情感正向和情感负向；

根据所述文本数据的情感极性构建所述目标数据的数据变化指数；

根据所述数据变化指数，获取预设工作日内所述目标数据的数据变化信息；

采用logistic回归函数对所述数据变化信息进行分类处理，获取所述目标数据的数据变化趋势。

可选地，所述通过scrapy爬虫工具获取预设数据提取范围内与目标数据相关的文本数据，包括如下步骤：

采用Scrapy框架构建社交网络爬虫系统，采用分布式爬虫算法获取社交网络中目标股票的股票评论信息、时间戳和评论人资料信息；其中，所述目标数据为所述目标股票，所述目标数据相关的文本数据为所述股票评论信息、时间戳和评论人资料信息；

将爬取的目标股票的股票评论信息、时间戳和评论人资料信息保存到MongoDB数据库中。

可选地所述对所述文本数据进行分词和向量化处理，获取文本数据的分词向量，包括如下步骤：

根据词性对获取的文本数据进行分词处理，获取文本分词，其中，所述词性包括动词、名词、形容词、副词；

将获取的文本分词与预训练BERT模型的词典中的词条进行匹配，获取文本数据中每个文本分词的文本分词向量。

可选地，所述通过预先获取的预训练BERT模型对所述分词向量进行训练处理，获取所述文本数据的情感极性，包括如下步骤：

采用BERT模型中的runclassifier.py脚本对所述分词向量进行预处理，获取预处理数据；同时，

对所述BERT模型进行预训练，获取训练好的具有文本数据对应的情感类别的BERT模型；

将获取的预处理数据输入到训练好的具有文本数据对应的情感类别的BERT模型中进行处理，获取文本数据的情感极性。

可选地，所述数据变化指数的公式如下：

其中，r

c

r

c

t表示评论者的在线时长，p表示正向情感，n表示负向情感。

可选地，所述采用logistic回归函数对所述数据变化信息进行分类处理，获取所述目标数据的数据变化趋势，包括如下步骤：

采用logistic回归函数对预设工作日内目标股票的跌涨信息进行分类处理，其中，

当所述目标股票的数据变化指数大于0.5时，则确定所述目标股票的变化趋势。

为了解决上述问题，本发明还提供一种基于BERT模型的数据处理装置，所述装置包括：

文本数据获取模块，用于通过scrapy爬虫工具获取预设数据提取范围内与目标数据相关的文本数据；

分词向量获取模块，用于对所述文本数据进行分词和向量化处理，获取文本数据的分词向量；

情感极性获取模块，用于通过预先训练的BERT模型对所述分词向量进行训练处理，获取所述文本数据的情感极性；其中，所述情感极性包括情感正向和情感负向；

数据变化指数构建模块，用于根据所述文本数据的情感极性构建所述目标数据的数据变化指数；

数据变化信息获取模块，用于根据所述数据变化指数，获取预设工作日内所述目标数据的数据变化信息；

数据变化趋势获取模块，用于采用logistic回归函数对所述数据变化信息进行分类处理，获取所述目标数据的数据变化趋势。

可选地，所述分词向量获取模块包括文本分词获取模块和文本分词向量获取模块，其中，

所述文本分词获取模块，用于根据词性对获取的文本数据进行分词处理，获取文本分词，其中，所述词性包括动词、名词、形容词、副词；

所述文本分词向量获取模块，用于将获取的文本分词与预训练BERT模型的词典中的词条进行匹配，获取文本数据中每个文本分词的文本分词向量。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于BERT模型的数据处理方法的步骤。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于BERT模型的数据处理方法。

本发明实施例通过scrapy爬虫工具获取文本数据；对文本数据进行分词和向量化处理，获取文本数据的分词向量；通过预先训练的BERT模型对分词向量进行训练处理，获取文本数据的情感极性；根据所述文本数据的情感极性构建所述目标数据的数据变化指数；根据所述数据变化指数，获取预设工作日内所述目标数据的数据变化信息；采用logistic回归函数对所述数据变化信息进行分类处理，获取所述目标数据的数据变化趋势。本发明的主要目的在于通过对股评的情感分析，获取正确的投资决策。

附图说明

图1为本发明一实施例提供的基于BERT模型的数据处理方法的流程示意图；

图2为本发明一实施例提供的基于BERT模型的数据处理装置的模块示意图；

图3为本发明一实施例提供的实现基于BERT模型的数据处理方法的电子设备的内部结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种基于BERT模型的数据处理方法。参照图1所示，为本发明一实施例提供的基于BERT模型的数据处理方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。

在本实施例中，基于BERT模型的数据处理方法包括：

S1：通过scrapy爬虫工具获取预设数据提取范围内与目标数据相关的文本数据；

S2：对所述文本数据进行分词和向量化处理，获取文本数据的分词向量；

S3：通过预先训练的BERT模型对所述分词向量进行训练处理，获取所述文本数据的情感极性；其中，所述情感极性包括情感正向和情感负向；

S4：根据所述文本数据的情感极性构建所述目标数据的数据变化指数；

S5：根据所述数据变化指数，获取预设工作日内所述目标数据的数据变化信息；

S6：采用logistic回归函数对所述数据变化信息进行分类处理，获取所述目标数据的数据变化趋势。

上述为本发明人工智能的基于BERT模型的数据处理方法，在步骤S1中，所述通过scrapy爬虫工具获取预设数据提取范围内与目标数据相关的文本数据，包括如下步骤：

S11：采用Scrapy框架构建微博爬虫系统，使用分布式爬虫算法获取微博社交网络中目标股票的股票评论信息、时间戳和评论人资料信息；其中，所述目标数据为所述目标股票，所述文本数据包括目标股票的股票评论信息、时间戳和评论人资料信息；

S12：将网络爬取的目标股票的股票评论信息、时间戳和评论人资料信息保存到MongoDB数据库中。

在本发明的实施例中，基于Scrapy的爬虫构建，从微博、股吧、雪球等社交媒体或专业股票论坛上获取某只股票最近3个月的评论信息、时间戳、评论人资料信息(使用年限、影响力、发帖数)等并存储于MongoDB中。

其中，scrapy是常用的爬虫工具，主要目的是为了从网页上爬取信息数据。其中，scrapy是一个封装起来的框架，包含了下载器、解析器、日志及异常处理模块。对于固定单个网站的爬取开发具有数据爬取的优势的。

在步骤S2中，所述对所述文本数据进行分词和向量化处理，获取文本数据的分词向量，包括如下步骤：

S21:根据词性对获取文本数据进行分词处理，获取文本分词；

S22：将获取的文本分词与预训练BERT模型的词典中的词条进行匹配，获取文本数据中每个文本分词的文本分词向量。

在本发明的实施例中，在步骤S21中，按照动词、名词、形容词、副词等词性对文本数据进行分词处理；在步骤S22中，在预训练的文本处理模型中，将S21中得到的文本分词片段与模型的词典中的词条进行匹配，得到文本数据中每个分词片段的向量化表达。

在步骤S3中，所述通过预先获取的预训练BERT模型对所述分词向量进行训练处理，获取所述文本数据的情感极性，包括如下步骤：

S31：采用BERT模型中的runclassifier.py脚本对所述分词向量进行预处理，获取预处理数据；同时，

S32：对所述BERT模型进行预训练，获取训练好的具有文本数据对应的情感类别的BERT模型；

S33：将获取的预处理数据输入到训练好的具有文本数据对应的情感类别的BERT模型中进行处理，获取文本数据的情感极性。

在本发明的实施例中，在步骤S31,训练数据预处理，把标注过的文本数据拆分成训练、验证、测试集(可按照8:1:1的比例进行拆分)，使用bert模型中的runclassifier.py脚本对文本数据进行预处理。

其中，BERT模型是一个端到端模型，在本发明的实施例中Bert模型的应用分为两个阶段，一个是训练阶段，一个是推理阶段。步骤32为在BERT模型训练阶段中，BERT模型的输入是文本数据，输出的是这些文本数据对应的情感类别(来源是标注数据)，模型通过训练输入到输出的映射，来学习文本数据和情感类别的对应关系。

在步骤33中，BERT模型训练好后，该模型可用作推理使用，处理数据，这时，BERT模型的输入是文本数据，输出也是情感类别。与训练阶段不同的是，这时的输入文本可以是模型在训练阶段不一样的文本，而这时的输出就是Bert模型推理出的结果。

在实际操作中，在模型输出前加上一个Logistic函数，其目的是使用0到1的概率去描述最后的情感极性结果，即概率越高，情感的正向性越高。

在本发明的实施例中，在步骤S32和33中，修改BERT模型、训练BERT模型、模型微调。

修改模型：继承DataProcessor类并编写情感分类处理类customProcessors，该类的作用是是按格式读入预先准备的文本与标签数据，并在bert文件夹下的run_classifier.py中的defmain(_):函数中将customProcessor进行注册。

Bert模型其他深度学习模型也是一样，可以把人工智能领域深度学习的模型理解为一个黑盒。黑盒在这里的作用是处理黑盒的输入，输出一个结果。训练时需要根据不同的任务来修改模型，使模型能够完成任务。在本发明的实施例中，使用Bert模型对数据进行正负情绪的分类，那么就需要告诉Bert模型现在的任务是正负情绪分类；如果任务变成了说话意图的分类，因此Bert模型的任务是说话意图分类，这个“告诉的过程”就是将模型修改为适应对应任务的过程。

训练模型：在BERT预训练模型所在目录运行run_classfier.py脚本进行模型训练，得到初步训练模型。

微调模型：由于股票的评论信息较短，max_seq_length表示最大序列长度，可以调整为128；num_train_epochs表示全体训练集样本训练轮数，可以适当调大。经过微调后再进行模型训练并观察调参后的auc，recall，precision的值是否有提升。

在本发明的实施例中，在标注时可以依据情感词典进行，例如BosonNLP是基于微博、新闻、论坛等数据来源构建的情感词典，提供积极情感词表和消极情感词表，对此进行扩展作为标注的判定标准。

在步骤S4中，所述数据变化指数，即为目标股票的看涨指数；具体公式如下：

r

c

r

c

r

T.f分别表示评论者的在线时长和评论被转发的条数；p代表即正向情感(positive)，n代表负向情感(negative)。

在步骤S5和S6中，根据所述数据变化指数，获取预设工作日内所述目标数据的数据变化信息，采用logistic回归函数对所述数据变化信息进行分类处理，获取所述目标数据的数据变化趋势。在本发明的实施例中，以5个交易日为一个窗口周期，进行滑动，开始日的开盘价和结束日的收盘价对比作为涨跌的判断依据，涨为1，跌或平为0，涨跌结果作为被解释变量，将5个交易日的代理指标PI、股票的换手率、资金成交量数据均值、标准差分别作为要输入的解释变量。

其中，logistic函数输入范围是-∞→+∞而输出为(0，1)，正好满足概率分布为(0，1)的要求用概率去描述分类器；此函数一个单调上升的函数，具有良好的连续性，不存在不连续点，因此选择使用Logistic回归进行训练模型，当模型的输出概率大于0.5时，表明股票有较高的看涨趋势，此时倾向于将股票于模型判断的第二个交易日进行买入操作。

在步骤S6：所述采用logistic回归函数对所述数据变化信息进行分类处理，获取所述目标数据的数据变化趋势，包括如下步骤：采用logistic回归函数对预设工作日内目标股票的跌涨信息进行分类处理，其中，当所述目标股票的数据变化指数大于0.5时，则确定所述目标股票的变化趋势。

在本发明的实施例中，通过爬虫工具实时获取股评中包含着丰富的金融信息，体现投资者的情感及心理变化；并通过BERT模型对股评进行挖掘分析，获取对股评的情感分析，从而实现BERT模型的投资决策。

本发明实施例通过scrapy爬虫工具获取文本数据；对文本数据进行分词和向量化处理，获取文本数据的分词向量；通过预先训练的BERT模型对分词向量进行训练处理，获取文本数据的情感极性；根据所述文本数据的情感极性构建所述目标数据的数据变化指数；根据所述数据变化指数，获取预设工作日内所述目标数据的数据变化信息；采用logistic回归函数对所述数据变化信息进行分类处理，获取所述目标数据的数据变化趋势。本发明的主要目的在于通过对股评的情感分析，获取正确的投资决策。

如图2所示，是本发明基于BERT模型的数据处理装置的功能模块图。

本发明所述基于BERT模型的数据处理装置100可以安装于电子设备中。根据实现的功能，所述基于BERT模型的数据处理装置可以包括：文本数据获取模块101、分词向量获取模块102、情感极性获取模块103、数据变化指数构建模块104、数据变化信息获取模块105、数据变化趋势获取模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

文本数据获取模块101，用于通过scrapy爬虫工具获取预设数据提取范围内与目标数据相关的文本数据；

分词向量获取模块102，用于对所述文本数据进行分词和向量化处理，获取文本数据的分词向量；

情感极性获取模块103，用于通过预先训练的BERT模型对所述分词向量进行训练处理，获取所述文本数据的情感极性；其中，所述情感极性包括情感正向和情感负向；

数据变化指数构建模块104，用于根据所述文本数据的情感极性构建所述目标数据的数据变化指数；

数据变化信息获取模块105，用于根据所述数据变化指数，获取预设工作日内所述目标数据的数据变化信息；

数据变化趋势获取模块106，用于采用logistic回归函数对所述数据变化信息进行分类处理，获取所述目标数据的数据变化趋势。

此外，所述分词向量获取模块包括文本分词获取模块和文本分词向量获取模块，其中，

所述文本分词获取模块，用于根据词性对获取的文本数据进行分词处理，获取文本分词，其中，所述词性包括动词、名词、形容词、副词；

所述文本分词向量获取模块，用于将获取的文本分词与预训练BERT模型的词典中的词条进行匹配，获取文本数据中每个文本分词的文本分词向量。

在本发明的实施例中，通过scrapy爬虫工具获取文本数据；对文本数据进行分词和向量化处理，获取文本数据的分词向量；通过预先训练的BERT模型对分词向量进行训练处理，获取文本数据的情感极性；根据所述文本数据的情感极性构建所述目标数据的数据变化指数；根据所述数据变化指数，获取预设工作日内所述目标数据的数据变化信息；采用logistic回归函数对所述数据变化信息进行分类处理，获取所述目标数据的数据变化趋势。本发明的主要目的在于通过对股评的情感分析，获取正确的投资决策。

如图3所示，是本发明实现基于BERT模型的数据处理方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于BERT模型的数据处理程序12。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如数据稽核程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如数据稽核程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的基于BERT模型的数据处理程序12是多个指令的组合，在所述处理器10中运行时，可以实现：

通过scrapy爬虫工具获取预设数据提取范围内与目标数据相关的文本数据；

对所述文本数据进行分词和向量化处理，获取文本数据的分词向量；

通过预先训练的BERT模型对所述分词向量进行训练处理，获取所述文本数据的情感极性；其中，所述情感极性包括情感正向和情感负向；

根据所述文本数据的情感极性构建所述目标数据的数据变化指数；

根据所述数据变化指数，获取预设工作日内所述目标数据的数据变化信息；

采用logistic回归函数对所述数据变化信息进行分类处理，获取所述目标数据的数据变化趋势。

具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

在本发明的实施例中，计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现基于BERT模型的数据处理方法的步骤，具体方法如下：

通过scrapy爬虫工具获取预设数据提取范围内与目标数据相关的文本数据；

对所述文本数据进行分词和向量化处理，获取文本数据的分词向量；

通过预先训练的BERT模型对所述分词向量进行训练处理，获取所述文本数据的情感极性；其中，所述情感极性包括情感正向和情感负向；

根据所述文本数据的情感极性构建所述目标数据的数据变化指数；

根据所述数据变化指数，获取预设工作日内所述目标数据的数据变化信息；

采用logistic回归函数对所述数据变化信息进行分类处理，获取所述目标数据的数据变化趋势。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。