【NLP】情感分析實戰(zhàn)：金融市場中的NLP

編譯 | VK?

來源 | Towards Datas Science

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:

https://github.com/yuki678/financial-phrase-bert

介紹

NLP任務可以大致分為以下幾類。

1. 文本分類——過濾垃圾郵件，對文檔進行分類

2. 詞序——詞翻譯，詞性標記，命名實體識別

3. 文本意義——主題模型，搜索，問答

4. seq2seq——機器翻譯、文本摘要、問答

5. 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)?，F(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：

1. 基于規(guī)則的詞典方法

2. 基于Tfidf的傳統(tǒng)機器學習方法

3. 作為一種循環(huán)神經(jīng)網(wǎng)絡結構的LSTM

4. 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。

1. 財經(jīng)新聞標題——正式

2. 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?"Finnish?steel?maker?Rautaruukki?Oyj?(?Ruukki?)?said?on?July?7?,?2008?that?it?won?a?9.0?mln?euro?(?$?14.1?mln?)?contract?to?supply?and?install?steel?superstructures?for?Partihallsforbindelsen?bridge?project?in?Gothenburg?,?western?Sweden."

neutral?"In?2008?,?the?steel?industry?accounted?for?64?percent?of?the?cargo?volumes?transported?,?whereas?the?energy?industry?accounted?for?28?percent?and?other?industries?for?8?percent."

negative?"The?period-end?cash?and?cash?equivalents?totaled?EUR6?.5?m?,?compared?to?EUR10?.5?m?in?the?previous?year."

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?=?[]
for?classifier?in?classifiers?:
????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。

class?TextClassifier(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)

????if?dense_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)

def?init_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_())
????return?hidden

def?forward(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
????if?self.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)

????return?logps,?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。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)

def?train_bert(model,?tokenizer)
??#?移動模型到GUP/CPU設備
??device?=?'cuda:0'?if?torch.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)??#?PyTorch?scheduler

??#?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?=?[]

??for?epoch?in?tqdm(range(num_epochs),?desc="Epoch"):
????#?print('================?????epoch?{}?????==============='.format(epoch+1))
????train_loss?=?0.

????for?i,?batch?in?enumerate(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))

????with?torch.no_grad():
??????for?i,?batch?in?enumerate(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
????if?best_f1???????early_stop?=?0
??????best_f1?=?f1
????else:
??????early_stop?+=?1

????print('epoch:?%d,?train?loss:?%.4f,?valid?loss:?%.4f,?acc:?%.4f,?f1:?%.4f,?best_f1:?%.4f,?last?lr:?%.6f'?%
??????????(epoch+1,?train_loss,?val_loss,?acc,?f1,?best_f1,?scheduler.get_last_lr()[0]))

????if?device?==?'cuda:0':
??????torch.cuda.empty_cache()

????#?如果達到耐心數(shù)，提前停止
????if?early_stop?>=?patience:
??????break

????#?返回訓練模式
????model.train()
??return?model

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。

def?metric(y_true,?y_pred):
????acc?=?accuracy_score(y_true,?y_pred)
????f1?=?f1_score(y_true,?y_pred,?average='macro')
????return?acc,?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)
for?n_fold,?(train_indices,?valid_indices)?in?enumerate(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)

結果

基于BERT的微調模型在花費了或多或少相似的超參數(shù)調整時間之后，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，預訓練模型的微調在這個小數(shù)據(jù)集上表現(xiàn)良好。

結論

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，結果不是確定性的，如果調整下超參數(shù)，結果可能會有所不同。

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