一种基于NLP分类的语义推理方法及系统与流程

一种基于nlp分类的语义推理方法及系统
技术领域
1.本发明涉及数据处理技术领域，尤其涉及一种基于nlp分类的语义推理方法及系统。


背景技术：

2.在处理nlp问题的时候会遇到需要搜寻论据并汇总的场景。例如我们需要判断股吧论坛中网民对于某只股票的未来趋势的悲观乐观程度，再例如需要根据证券分析师撰写的海量证券研究报告判断某家公司是否具备某个特点，比如是否在上下游具有很强的议价权。
3.在现有技术中，以gpt和bert模型为代表的预训练模型采用语料加标注的方式，针对特定的任务，对预训练模型进行定向微调，使得模型具备特定的能力，比如判断情感正负面、判断是否存在某种特征等等。后来以chatgpt为代表的具备高可用性的大规模语言模型的兴起，zero-shot和few-shot的自然语言处理范式也开始进入实用阶段，实验者不再需要耗费大量精力进行语言标注了。
4.但是实际实现起来仍存在较大问题。基于传统bert预训练模型的建模方式需要大量的高质量标注数据，通常需要几千甚至几万条数据，才可以通过fine-tune获取到达到使用标准的模型，带标记数据的样本积累需要消耗大量的人力成本。而具备可用的zero-shot和few-shot功能的大语言模型，至少需要百亿级别的参数量，这种规模的模型在本地化部署的时候需要大量的gpu资源进行推理，对于大多数公司无法负担需要的硬件资源以及人才储备。因此采用api方式从大模型供应商获取服务的方式，但是这种方法容易出现数据安全风险。
5.而且在建模完成之后，还面临结果汇总的问题。由于在nlp场景下不同的主体的文本样本数量呈现厚尾分布，大部分主体的文本数较少，而少部分主体由于受到关注程度高，具备更多的信息。一般的汇总统计方案是取平均值或者中值，但这种方式没有考虑到样本量差异带来的信息可信度差异，无法准确表达出文本信息。


技术实现要素：

6.本发明提供了一种基于nlp分类的语义推理方法及系统，通过将部分垂直场景下的nlp分类任务转化为推理型任务，再对股票信息进行处理，提高了股票信息处理效率。
7.本发明实施例的第一方面提供了一种基于nlp分类的语义推理方法，所述方法包括：
8.获取投资人员的股票评价信息；
9.对股票评价信息进行情感分类判断，得到情感结论，并筛选出情感结论为正向结论的股票评价信息为预处理股票评价信息，其中，情感结论为正向结论和反向结论；
10.将预处理股票评价信息和情感结论进行匹配，得到语料结论对，将语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，其中，预设语义推理模型是通过对
roberta模型进行训练得到的，判断结果为股票评价信息与预设语义推理模型中各个股票信息的概率值。
11.根据判断结果，采用t统计汇总方式计算出股票评价信息与各个股票信息的分数，得到各个股票信息的得分。
12.实施本实施例，获取投资人员的股票评价信息，对股票评价信息进行情感分类判断，得到情感结论，并筛选出情感结论为正向结论的股票评价信息为预处理股票评价信息，将预处理股票评价信息和情感结论进行匹配，得到语料结论对，将语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，其中，预设语义推理模型是通过对roberta模型进行训练得到的，判断结果为股票评价信息与预设语义推理模型中各个股票信息的概率值，然后根据判断结果，采用t统计汇总方式计算出股票评价信息与各个股票信息的分数，得到各个股票信息的得分，本方法通过将部分垂直场景下的nlp分类任务转化为推理型任务，再对股票信息进行处理，提高了股票信息处理效率。
13.在第一方面的一种可能的实现方式中，对股票评价信息进行情感分类判断，得到情感结论，并筛选出情感结论为正向的股票评价信息为预处理股票评价信息，具体为：
14.将股票评价信息输入情感识别模型，以使情感识别模型将股票评价信息进行拆分，得到多个向量特征；
15.对各个向量特征进行识别，确定股票评价信息的情感特征向量，并对情感特征向量进行场景判断，得到股票评价信息的情感结论。
16.在第一方面的一种可能的实现方式中，预设语义推理模型是通过对roberta模型进行训练得到的，具体为：
17.获取股票语料信息；
18.将股票语料信息输入初始语义推理模型中，以使初始语义推理模型对股票语料信息和各个预设股票信息进行逻辑判断，得到实际判断结果，将实际判断结果与目标判断结果进行对比，得到误差值，根据误差值更新初始语义推理模型的参数，得到更新后的初始语义推理模型，再使用更新后的初始语义推理模型进行对训练集和与各个预设股票信息进行逻辑判断，直到误差值小于预设值时停止训练，得到预设语义推理模型。
19.在第一方面的一种可能的实现方式中，将语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，具体为：
20.判断语料结论与各个股票信息的因果关系，若语料结论与各个股票信息构成因果关系，则得到蕴含概率值；
21.若语料结论与各个股票信息构成相反的因果关系，则得到矛盾概率值；
22.若语料结论与各个股票信息没有因果关系，则得到无关概率值。
23.在第一方面的一种可能的实现方式中，蕴含概率值、矛盾概率值和无关概率值之和为1。
24.在第一方面的一种可能的实现方式中，t统计汇总方式的计算公式为：
[0025][0026]
其中，n为语料结论与股票信息的概率值的数量，std(x)代表样本标准差，
[0027][0028]
其中，xn表示语料结论与股票信息的概率值，表示语料结论与股票信息的概率值的平均值。
[0029]
本发明实施例的第二方面提供了一种基于nlp分类的语义推理系统，系统包括：
[0030]
获取模块，用于获取投资人员的股票评价信息；
[0031]
情感分析模块，用于对股票评价信息进行情感分类判断，得到情感结论，并筛选出情感结论为正向结论的股票评价信息为预处理股票评价信息，其中，情感结论为正向结论和反向结论；
[0032]
概率值计算模块，用于将预处理股票评价信息和情感结论进行匹配，得到语料结论对，将语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，其中，预设语义推理模型是通过对roberta模型进行训练得到的，判断结果为股票评价信息与预设语义推理模型中各个股票信息的概率值；
[0033]
分数计算模块，用于根据判断结果，采用t统计汇总方式计算出股票评价信息与各个股票信息的分数，得到各个股票信息的得分。
[0034]
在第二方面的一种可能的实现方式中，情感分析模块包括拆分单元和判断单元，
[0035]
其中，拆分单元用于将股票评价信息输入情感识别模型，以使情感识别模型将股票评价信息进行拆分，得到多个向量特征；
[0036]
判断单元用于对各个向量特征进行识别，确定股票评价信息的情感特征向量，并对情感特征向量进行场景判断，得到股票评价信息的情感结论。
[0037]
在第二方面的一种可能的实现方式中，概率值计算模块包括获取单元和训练单元，
[0038]
其中，获取单元用于获取股票语料信息；
[0039]
训练单元用于将股票语料信息输入初始语义推理模型中，以使初始语义推理模型对股票语料信息和各个预设股票信息进行逻辑判断，得到实际判断结果，将实际判断结果与目标判断结果进行对比，得到误差值，根据误差值更新初始语义推理模型的参数，得到更新后的初始语义推理模型，再使用更新后的初始语义推理模型进行对训练集和与各个预设股票信息进行逻辑判断，直到误差值小于预设值时停止训练，得到预设语义推理模型。
[0040]
在第二方面的一种可能的实现方式中，概率值计算模块还包括判断单元，
[0041]
判断单元用于判断股票评价信息与各个股票信息的因果关系，若语料结论与各个股票信息构成因果关系，则得到蕴含概率值，若股票评价信息与各个股票信息构成相反的因果关系，则得到矛盾概率值，若股票评价信息与各个股票信息没有因果关系，则得到无关概率值。
附图说明
[0042]
图1为本发明提供的基于nlp分类的语义推理方法的一种实施例的流程示意图；
[0043]
图2为本发明提供的基于nlp分类的语义推理方法的一种实施例的语义推理流程示意图；
[0044]
图3为本发明提供的基于nlp分类的语义推理方法的另一种实施例的系统结构示
意图。
具体实施方式
[0045]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0046]
实施例一
[0047]
请参照图1，图1是本发明提供的基于nlp分类的语义推理方法的一种实施例的流程示意图，包括步骤s11～s14。各步骤具体如下：
[0048]
s11、获取投资人员的股票评价信息。
[0049]
在本实施例中，通过用户输入信息得到投资人股票评价信息，其中，该信息包括但不限于对股票发行公司的公司基本情况信息、财务信息、产品销售信息、股价涨幅信息和专利信息等的评价信息，以及国家宏观政策信息和奖励信息以及其他平台的金融研究报告等其他信息。
[0050]
s12、对股票评价信息进行情感分类判断，得到情感结论，并筛选出情感结论为正向结论的股票评价信息为预处理股票评价信息，其中，情感结论为正向结论和反向结论。
[0051]
在优选的实施例当中，对股票评价信息进行情感分类判断，得到情感结论，并筛选出情感结论为正向的股票评价信息为预处理股票评价信息，具体为：
[0052]
将股票评价信息输入情感识别模型，以使情感识别模型将股票评价信息进行拆分，得到多个向量特征；
[0053]
对各个向量特征进行识别，确定股票评价信息的情感特征向量，并对情感特征向量进行场景判断，得到股票评价信息的情感结论。
[0054]
在本实施例中，如图2所示，首先对用户输入的股票评价信息进行情感分类判断，确定分类场景。将股票评价信息输入情感识别模型中，情感识别模型将股票评价信息进行拆分，得到多个分词特征，然后识别出实体分词和情感分词，并判断情感分词的情感信息，若情感信息为正向信息，则得到正向结论，若情感分析为反向信息，则得到反向结论。
[0055]
具体地，根据面对的具体场景设计结论时，例如情感正面的场景，设计结论为“该语句的情感是正面的”。
[0056]
s13、将预处理股票评价信息和情感结论进行匹配，得到语料结论对，将语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，其中，预设语义推理模型是通过对roberta模型进行训练得到的，判断结果为股票评价信息与预设语义推理模型中各个股票信息的概率值。
[0057]
在优选的实施例当中，将语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，具体为：
[0058]
判断语料结论与各个股票信息的因果关系，若语料结论与各个股票信息构成因果关系，则得到蕴含概率值；
[0059]
若语料结论与各个股票信息构成相反的因果关系，则得到矛盾概率值；
[0060]
若语料结论与各个股票信息没有因果关系，则得到无关概率值。
[0061]
在优选的实施例当中，预设语义推理模型是通过对roberta模型进行训练得到的，具体为：
[0062]
获取股票语料信息；
[0063]
将股票语料信息输入初始语义推理模型中，以使初始语义推理模型对股票语料信息和各个预设股票信息进行逻辑判断，得到实际判断结果，将实际判断结果与目标判断结果进行对比，得到误差值，根据误差值更新初始语义推理模型的参数，得到更新后的初始语义推理模型，再使用更新后的初始语义推理模型进行对训练集和与各个预设股票信息进行逻辑判断，直到误差值小于预设值时停止训练，得到预设语义推理模型。
[0064]
在优选的实施例当中，将语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，具体为：
[0065]
判断语料结论与各个股票信息的因果关系，若语料结论与各个股票信息构成因果关系，则得到蕴含概率值；
[0066]
若语料结论与各个股票信息构成相反的因果关系，则得到矛盾概率值；
[0067]
若语料结论与各个股票信息没有因果关系，则得到无关概率值。
[0068]
在优选的实施例当中，蕴含概率值、矛盾概率值和无关概率值之和为1。
[0069]
在本实施例中，将输入的股票评价信息和情感结论形成匹配对，例如用户输入的股票评价信息为“这个公司现金充足”，则可以形成这样的样本对：{句子一：这个公司现金充足。句子二：该语句的情感是正面的}。
[0070]
然后首先训练好一个具备文本推理能力的nlp模型，该模型是在中文预训练模型roberta的基础上，训练出的一个具备语义逻辑推理能力的语言模型。该模型的能力是根据输入的两句话，判断两句话之间是否存在因果关系，因果关系包括三种关系：蕴含、矛盾和无关。模型以概率的方式输出，三种关系结果的概率之和为1。若语料结论与各个股票信息构成因果关系，则得到蕴含概率值，若语料结论与各个股票信息构成相反的因果关系，则得到矛盾概率值，若语料结论与各个股票信息没有因果关系，则得到无关概率值。
[0071]
例如句子一：“太阳出来了”，与句子二：“外面开始变亮了”之间，在本例中，句一“蕴含”句二，即“太阳出来了”是“外面开始变亮”的因。在建模时，句子一和句子二的顺序是固定的，也就是说同样的一对句子，顺序交换之后，模型判断其逻辑关系的结果可能不同。
[0072]
另外，预设语义推理模型是通过对roberta模型进行训练得到，具体训练步骤为:获取股票语料信息后，将股票语料信息输入初始语义推理模型中，以使初始语义推理模型对股票语料信息和各个预设股票信息进行逻辑判断，得到实际判断结果，将实际判断结果与目标判断结果进行对比，得到误差值，根据误差值更新初始语义推理模型的参数，得到更新后的初始语义推理模型，再使用更新后的初始语义推理模型进行对训练集和与各个预设股票信息进行逻辑判断，直到误差值小于预设值时停止训练，得到预设语义推理模型。
[0073]
s14、根据判断结果，采用t统计汇总方式计算出股票评价信息与各个股票信息的分数，得到各个股票信息的得分。
[0074]
在优选的实施例当中，t统计汇总方式的计算公式为：
[0075]
[0076]
其中，n为语料结论与股票信息的概率值的数量，std(x)代表样本标准差，
[0077][0078]
其中，xn表示语料结论与股票信息的概率值，表示语料结论与股票信息的概率值的平均值。
[0079]
在本实施例中，由于不同主体的样本量可能相差悬殊。以股票的情感正负面为例，有一些上市公司的受众广，参与评论的人更多。而有些公司相对小众，参与评论的人少，单纯采用均值、中值显然无法纳入样本数带来的置信度影响。因此通过t检验的思路，设计出t统计汇总方式，该汇总方式综合考虑了样本数和描述差异化的影响，适合nlp场景下的汇总统计。因此在得到股票评价信息与各个股票信息的概率值后，用t统计汇总方式进行汇总，得到各个股票信息的个股得分。
[0080]
t统计汇总方式的计算公式为：
[0081][0082]
其中，n为所述语料结论与所述股票信息的概率值的数量，std(x)代表样本标准差，
[0083][0084]
其中，xn表示所述语料结论与股票信息的概率值，表示所述语料结论与股票信息的概率值的平均值。
[0085]
获取投资人员的股票评价信息，对股票评价信息进行情感分类判断，得到情感结论，并筛选出情感结论为正向结论的股票评价信息为预处理股票评价信息，将预处理股票评价信息和情感结论进行匹配，得到语料结论对，将语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，其中，预设语义推理模型是通过对roberta模型进行训练得到的，判断结果为股票评价信息与预设语义推理模型中各个股票信息的概率值，然后根据判断结果，采用t统计汇总方式计算出股票评价信息与各个股票信息的分数，得到各个股票信息的得分，本方法通过将部分垂直场景下的nlp分类任务转化为推理型任务，实现不需要额外的人工标注，即可进行相应建模分析，这种方式有一定的通用性和可推广性，也可以用于机器快速标记样本，提高了股票信息的处理效率。
[0086]
实施例二
[0087]
相应地，参见图3，图3为本发明提供的一种基于nlp分类的语义推理系统，如图所示，该基于nlp分类的语义推理系统包括：
[0088]
获取模块301，用于获取投资人员的股票评价信息；
[0089]
情感分析模块302，用于对股票评价信息进行情感分类判断，得到情感结论，并筛选出情感结论为正向结论的股票评价信息为预处理股票评价信息，其中，情感结论为正向结论和反向结论；
[0090]
概率值计算模块303，用于将预处理股票评价信息和情感结论进行匹配，得到语料结论对，将语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，其中，预设
语义推理模型是通过对roberta模型进行训练得到的，判断结果为股票评价信息与预设语义推理模型中各个股票信息的概率值；
[0091]
分数计算模块304，用于根据判断结果，采用t统计汇总方式计算出股票评价信息与各个股票信息的分数，得到各个股票信息的得分。
[0092]
在优选的实施例当中，情感分析模块302包括拆分单元3021和判断单元3022，
[0093]
其中，拆分单元3021用于将股票评价信息输入情感识别模型，以使情感识别模型将股票评价信息进行拆分，得到多个向量特征；
[0094]
判断单元3022用于对各个向量特征进行识别，确定股票评价信息的情感特征向量，并对情感特征向量进行场景判断，得到股票评价信息的情感结论。
[0095]
在优选的实施例当中，概率值计算模块303包括获取单元3031和训练单元3032，
[0096]
其中，获取单元3031用于获取股票语料信息；
[0097]
训练单元3032用于将股票语料信息输入初始语义推理模型中，以使初始语义推理模型对股票语料信息和各个预设股票信息进行逻辑判断，得到实际判断结果，将实际判断结果与目标判断结果进行对比，得到误差值，根据误差值更新初始语义推理模型的参数，得到更新后的初始语义推理模型，再使用更新后的初始语义推理模型进行对训练集和与各个预设股票信息进行逻辑判断，直到误差值小于预设值时停止训练，得到预设语义推理模型。
[0098]
在优选的实施例当中，概率值计算模块303还包括关系判断单元3033，
[0099]
判断单元3033用于判断语料结论与各个股票信息的因果关系，若语料结论与各个股票信息构成因果关系，则得到蕴含概率值，若语料结论与各个股票信息构成相反的因果关系，则得到矛盾概率值，若语料结论与各个股票信息没有因果关系，则得到无关概率值。
[0100]
在优选的实施例当中，蕴含概率值、矛盾概率值和无关概率值之和为1。
[0101]
在优选的实施例当中，t统计汇总方式的计算公式为：
[0102][0103]
其中，n为语料结论与股票信息的概率值的数量，std(x)代表样本标准差，
[0104][0105]
其中，xn表示语料结论与股票信息的概率值，表示语料结论与股票信息的概率值的平均值。
[0106]
综上所述，实施本发明的实施例，具有如下有益效果：
[0107]
获取投资人员的股票评价信息，对股票评价信息进行情感分类判断，得到情感结论，并筛选出情感结论为正向结论的股票评价信息为预处理股票评价信息，将预处理股票评价信息和情感结论进行匹配，得到语料结论对，将语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，其中，预设语义推理模型是通过对roberta模型进行训练得到的，判断结果为股票评价信息与预设语义推理模型中各个股票信息的概率值，然后根据判断结果，采用t统计汇总方式计算出股票评价信息与各个股票信息的分数，得到各个股票信息的得分，本方法通过将部分垂直场景下的nlp分类任务转化为推理型任务，再对股票信息进行处理，提高了股票信息处理效率。
[0108]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

技术特征：
1.一种基于nlp分类的语义推理方法，其特征在于，包括：获取投资人员的股票评价信息；对所述股票评价信息进行情感分类判断，得到情感结论，并筛选出情感结论为正向结论的股票评价信息为预处理股票评价信息，其中，所述情感结论为正向结论和反向结论；将所述预处理股票评价信息和所述情感结论进行匹配，得到语料结论对，将所述语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，其中，所述预设语义推理模型是通过对roberta模型进行训练得到的，所述判断结果为所述股票评价信息与所述预设语义推理模型中各个股票信息的概率值；根据所述判断结果，采用t统计汇总方式计算出所述股票评价信息与各个所述股票信息的分数，得到各个所述股票信息的得分。2.如权利要求1所述的基于nlp分类的语义推理方法，其特征在于，所述对所述股票评价信息进行情感分类判断，得到情感结论，并筛选出情感结论为正向的股票评价信息为预处理股票评价信息，具体为：将所述股票评价信息输入情感识别模型，以使所述情感识别模型将所述股票评价信息进行拆分，得到多个向量特征；对各个向量特征进行识别，确定所述股票评价信息的情感特征向量，并对所述情感特征向量进行场景判断，得到所述股票评价信息的情感结论。3.如权利要求1所述的基于nlp分类的语义推理方法，其特征在于，所述预设语义推理模型是通过对roberta模型进行训练得到的，具体为：获取股票语料信息；将所述股票语料信息输入初始语义推理模型中，以使所述初始语义推理模型对所述股票语料信息和各个预设股票信息进行逻辑判断，得到实际判断结果，将所述实际判断结果与目标判断结果进行对比，得到误差值，根据所述误差值更新所述初始语义推理模型的参数，得到更新后的初始语义推理模型，再使用更新后的初始语义推理模型进行对训练集和与各个预设股票信息进行逻辑判断，直到误差值小于预设值时停止训练，得到预设语义推理模型。4.如权利要求1所述的基于nlp分类的语义推理方法，其特征在于，所述将所述语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，具体为：判断所述语料结论与各个所述股票信息的因果关系，若所述语料结论与各个所述股票信息构成因果关系，则得到蕴含概率值；若所述语料结论与各个所述股票信息构成相反的因果关系，则得到矛盾概率值；若所述语料结论与各个所述股票信息没有因果关系，则得到无关概率值。5.如权利要求4所述的基于nlp分类的语义推理方法，其特征在于，所述蕴含概率值、所述矛盾概率值和所述无关概率值之和为1。6.如权利要求1所述的基于nlp分类的语义推理方法，其特征在于，所述t统计汇总方式的计算公式为：
其中，n为所述语料结论与所述股票信息的概率值的数量，std(x)代表样本标准差，其中，x
n
表示所述语料结论与股票信息的概率值，表示所述语料结论与股票信息的概率值的平均值。7.一种基于nlp分类的语义推理系统，其特征在于，包括：获取模块，用于获取投资人员的股票评价信息；情感分析模块，用于对所述股票评价信息进行情感分类判断，得到情感结论，并筛选出情感结论为正向结论的股票评价信息为预处理股票评价信息，其中，所述情感结论为正向结论和反向结论；概率值计算模块，用于将所述预处理股票评价信息和所述情感结论进行匹配，得到语料结论对，将所述语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，其中，所述预设语义推理模型是通过对roberta模型进行训练得到的，所述判断结果为所述股票评价信息与所述预设语义推理模型中各个股票信息的概率值；分数计算模块，用于根据所述判断结果，采用t统计汇总方式计算出所述股票评价信息与各个所述股票信息的分数，得到各个所述股票信息的得分。8.如权利要求7所述的基于nlp分类的语义推理系统，其特征在于，所述情感分析模块包括拆分单元和判断单元，其中，所述拆分单元用于将所述股票评价信息输入情感识别模型，以使所述情感识别模型将所述股票评价信息进行拆分，得到多个向量特征；所述判断单元用于对各个向量特征进行识别，确定所述股票评价信息的情感特征向量，并对所述情感特征向量进行场景判断，得到所述股票评价信息的情感结论。9.如权利要求7所述的基于nlp分类的语义推理系统，其特征在于，所述概率值计算模块包括获取单元和训练单元，其中，所述获取单元用于获取股票语料信息；所述训练单元用于将所述股票语料信息输入初始语义推理模型中，以使所述初始语义推理模型对所述股票语料信息和各个预设股票信息进行逻辑判断，得到实际判断结果，将所述实际判断结果与目标判断结果进行对比，得到误差值，根据所述误差值更新所述初始语义推理模型的参数，得到更新后的初始语义推理模型，再使用更新后的初始语义推理模型进行对训练集和与各个预设股票信息进行逻辑判断，直到误差值小于预设值时停止训练，得到预设语义推理模型。10.如权利要求7所述的基于nlp分类的语义推理系统，其特征在于，所述概率值计算模块还包括判断单元，所述判断单元用于判断所述语料结论与各个所述股票信息的因果关系，若所述语料结论与各个所述股票信息构成因果关系，则得到蕴含概率值；若所述语料结论与各个所述股票信息构成相反的因果关系，则得到矛盾概率值；若所述语料结论与各个所述股票信息没有因果关系，则得到无关概率值。

技术总结
本发明公开了一种基于NLP分类的语义推理方法及系统，获取投资人员的股票评价信息，对股票评价信息进行情感分类判断，得到情感结论，并筛选出情感结论为正向结论的股票评价信息为预处理股票评价信息，将预处理股票评价信息和情感结论进行匹配，得到语料结论对，将语料结论对输入预设语义推理模型中进行逻辑判断，得到判断结果，然后根据判断结果，采用T统计汇总方式计算出股票评价信息与各个股票信息的分数，得到各个股票信息的得分，本方法通过将部分垂直场景下的NLP分类任务转化为推理型任务，再对股票信息进行处理，提高了股票信息处理效率。息处理效率。息处理效率。


技术研发人员：唐方凯 李正非 冯焯佳 刘硕凌
受保护的技术使用者：易方达基金管理有限公司
技术研发日：2023.06.29
技术公布日：2023/10/15