Upload
keilah
View
24
Download
0
Embed Size (px)
DESCRIPTION
Term Extraction from Financial News. Jian-Shiun 2008/10/31. Financial News -鉅亨網. Data Collection. Period : 2008/10/10 ~ 2008/10/30 Number of news : 1,987. Accumulated Grams. grams. docs. Metrics. Frequency Conditional Probability Mutual Information. Mutual Information. - PowerPoint PPT Presentation
Citation preview
Term Extraction from Financial News
Jian-Shiun2008/10/31
Financial News-鉅亨網
Data Collection
• Period: 2008/10/10 ~ 2008/10/30• Number of news: 1,987
Date 10月 10日 10月 11日 10月 12日#(News
) 68 33 22
Date 10月 13日 10月 14日 10月 15日 10月 16日 10月 17日 10月 18日 10月 19日#(News
) 128 123 123 117 117 21 11
Date 10月 20日 10月 21日 10月 22日 10月 23日 10月 24日 10月 25日 10月 26日#(News
) 100 127 143 136 123 27 16
Date 10月 27日 10月 28日 10月 29日 10月 30日#(News
) 116 136 139 161
Accumulated Grams
100 200 300 400 500 600 700 800 900 1000
uni-gram 1,938 2,321 2,527 2,652 2,791 2,912 2,983 3,057 3,108 3,160
bi-gram 19,946 37,293 50,028 60,104 70,960 79,591 87,093 96,530 102,869 109,149
tri-gram 29,452 63,552 91,277 115,442 142,302 164,140 184,619 210,237 229,163 247,862
1100 1200 1300 1400 1500 1600 1700 1800 1900 1987
uni-gram 3,255 3,290 3,325 3,356 3,391 3,407 3,440 3,470 3,488 3,524
bi-gram 117,457 122,627 127,808 132,430 138,037 142,735 147,518 151,811 155,557 159,641
tri-gram 271,626 287,964 304,838 319,936 338,505 354,617 371,327 386,000 399,706 414,205
100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 19870
50000
100000
150000
200000
250000
300000
350000
400000
450000
uni-grambi-gramtri-gram
gram
s
docs
Metrics
• Frequency• Conditional Probability• Mutual Information
Mutual Information
• If f(w) ≥ f(c1) f(c2)… f(cn), then Mi(w) ≥ 0
frequency :f(.)4.
corpus in wordstotal :N corpus, in characters total :N3.
...cccw word,Chinese :w2.
i character Chinese :c1.
wc
n21
i
)(...)()(
)()(log)(
212
nw
nc
cfcfcfN
wfNwMi
uni-gram (first 60 by freq)
的 30,299 跌 7,766 將 5,794 指 4,644
國 13,327 一 7,713 以 5,790 公 4,502
股 11,495 不 7,639 價 5,715 對 4,474
元 11,115 期 7,490 來 5,689 前 4,468
金 10,728 有 7,475 場 5,641 濟 4,442
大 10,251 日 7,383 成 5,618 長 4,442
年 9,645 出 7,176 億 5,544 外 4,283
美 9,608 上 7,104 利 5,208 也 4,253
中 9,418 業 7,067 產 5,119 機 4,236
在 9,283 經 6,764 於 5,094 高 4,235
市 9,082 會 6,701 融 4,986 政 4,233
資 9,078 是 6,519 至 4,707 新 4,173
行 8,439 人 6,059 點 4,705 友 4,168
下 8,327 月 6,029 能 4,683 現 4,158
為 8,192 台 5,871 全 4,649 表 4,104
bi-gram (first 30 by freq, MI>0)
name freq con_prob MI name freq con_prob MI
美元 4,713 0.490529 6.406662 朋友 1,976 1 6.906582
市場 4,552 0.501211 6.849678 指數 1,973 0.424849 6.42562
經濟 4,393 0.649468 7.192184 股市 1,961 0.170596 5.151806
金融 4,286 0.399515 6.66883 友善 1,958 0.46977 6.797983
銀行 3,678 0.907252 6.779051 列印 1,955 0.82005 7.278606
投資 3,264 0.822373 6.544172 善列 1,955 0.815943 7.253335
中國 2,957 0.313973 5.599834 寄給 1,955 0.982412 7.351686
表示 2,879 0.701511 7.091099 給朋 1,955 0.789899 7.356216
美國 2,765 0.287781 5.490978 可能 1,761 0.465381 6.277721
公司 2,601 0.577743 7.053162 鉅亨 1,676 0.972158 7.515891
全球 2,418 0.520112 6.942785 危機 1,674 0.929484 6.692645
億元 2,279 0.411075 5.673348 亨網 1,662 0.98227 7.319669
星期 2,081 0.900087 6.307378 價格 1,631 0.285389 6.301081
政府 2,008 0.474368 6.88924 成長 1585 0.282129 5.877102
億美 1,995 0.359849 5.61813 目前 1493 0.697012 6.396741
bi-gram (first 30 by freq, MI<0)
name freq con_prob MI name freq con_prob MI
在的 86 0.009264247 -0.30311505 現的 74 0.017797017 -0.319879027
動的 79 0.026046818 -0.177662431 的工 74 0.002442325 -0.221649687
次的 79 0.046144858 -0.119322292 緩的 74 0.09355246 -0.171532545
發的 78 0.020155039 -0.231821101 的低 72 0.002376316 -0.327744122
的危 78 0.002574342 -0.141706373 的收 72 0.002376316 -0.351724866
的增 77 0.002541338 -0.198815122 的表 72 0.002376316 -0.357144669
弱的 76 0.11764706 -0.126314103 外的 71 0.016577166 -0.384809482
的業 76 0.002508334 -0.398333913 的水 71 0.002343312 -0.237766939
策的 76 0.0608 -0.154202058 洲的 70 0.045161292 -0.286500353
數的 75 0.01914242 -0.29042988 的交 70 0.002310307 -0.325909958
理的 75 0.03805175 -0.205910182 的比 70 0.002310307 -0.30830427
的上 75 0.002475329 -0.418870593 務的 69 0.03747963 -0.320380767
的支 75 0.002475329 -0.177557395 的前 69 0.002277303 -0.433729422
款的 74 0.04004329 -0.219766038 的年 69 0.002277303 -0.633989649
滑的 74 0.06303237 -0.189196631 同的 68 0.022516556 -0.393417555
tri-gram (first 30 by freq , MI>0)
name freq con_prob MI name freq con_prob MI
億美元 1,985 0.994988 8.613974 綜合外 540 0.477454 8.291417
友善列 1,955 0.998468 10.14562 亨網記 519 0.312274 9.080575
善列印 1,955 1 10.48079 網記者 519 1 8.893784
寄給朋 1,955 1 10.6199 進一步 492 0.987952 7.744583
給朋友 1,955 1 10.19966 新台幣 470 0.983264 7.688322
鉅亨網 1,661 0.99105 10.58535 金融風 469 0.109426 7.134807
投資人 1,099 0.336703 8.220252 融風暴 451 0.96162 8.248606
分析師 823 0.783064 9.517464 國政府 430 0.970655 6.826259
金融危 784 0.182921 7.858421 球經濟 428 0.995349 7.319826
融危機 782 0.994911 8.52281 全球經 416 0.172043 7.257456
亨網編 684 0.411552 9.558808 房地產 412 0.98801 7.758851
年同期 683 0.925474 7.456906 星期三 411 0.197501 7.45102
網編譯 637 0.931287 9.818719 球金融 410 0.997567 6.852312
去年同 604 0.648765 7.756346 經濟衰 408 0.092875 7.441873
合外電 540 0.998152 7.968456 濟衰退 407 0.99511 8.286946
tri-gram (first 30 by freq , MI<0)
name freq con_prob MI name freq con_prob MI
大的金 9 0.017647 -0.13611 上季的 7 0.083333 -0.18945
元的新 8 0.01487 -0.13632 上的資 7 0.043478 -0.35698
員國的 8 0.129032 -0.11884 下的金 7 0.058333 -0.44351
國外的 8 0.078431 -0.20799 不好的 7 0.179487 -0.11046
國的外 8 0.023669 -0.20799 佈的資 7 0.050725 -0.14754
年的資 8 0.014519 -0.24113 作出的 7 0.081395 -0.12249
新金的 8 0.062016 -0.12402 來的高 7 0.017284 -0.14836
日的一 8 0.056738 -0.13023 價的跌 7 0.067961 -0.27061
的股利 8 0.027586 -0.18042 元的成 7 0.013011 -0.37399
美股的 8 0.013889 -0.30952 元的淨 7 0.013011 -0.22086
股的投 8 0.033613 -0.14188 元的融 7 0.013011 -0.35447
股的跌 8 0.033613 -0.25687 前的股 7 0.025 -0.35017
行的國 8 0.017978 -0.32801 合資的 7 0.106061 -0.23711
金的投 8 0.046512 -0.11749 國的出 7 0.02071 -0.48523
一半的 7 0.090909 -0.10408 國的投 7 0.02071 -0.39115
4-gram (first 30 by freq , MI>0)
name freq con_prob MI name freq con_prob MI
友善列印 1,955 1 9.449753369 金融市場 365 0.9918478 5.59406191
寄給朋友 1,955 1 9.535799641 較去年同 334 0.89066666 6.332250804
金融危機 780 0.99489796 7.174384007 經濟成長 303 0.98058254 5.84276071
鉅亨網編 684 0.41180012 8.743995053 個百分點 265 0.99250937 6.401472058
亨網編譯 637 0.9312866 8.905943877 綜合報導 262 1 6.676954475
去年同期 568 0.9403973 6.702150687 金融海嘯 232 1 5.71116255
綜合外電 540 1 7.45077657 國際金融 215 0.9907834 4.820205869
亨網記者 519 1 8.152106296 億美元的 206 0.10377834 3.874700795
鉅亨網記 519 0.31246236 8.286785696 新興市場 201 1 5.374160155
金融風暴 451 0.96162045 6.624159309 分析師預 190 0.23086269 6.389462293
全球經濟 414 0.9951923 6.491136776 國安基金 187 1 4.757197158
經濟衰退 406 0.99509805 6.918376189 稅後盈餘 186 0.9946524 6.751171815
全球金融 395 0.99747473 6.109327897 全球股市 181 0.80803573 4.707250878
金融機構 381 0.9921875 6.182148499 金融體系 181 0.9526316 5.285483188
世華財訊 371 1 7.80354835 網編譯郭 178 0.27943486 7.507967533
5-gram (first 30 by freq , MI>0)
name freq con_prob MI name freq con_prob MI
鉅亨網編譯 637 0.9312866 8.486269031 不構成投資 128 1 4.21265921
鉅亨網記者 519 1 7.8314528 並不構成投 128 1 4.644288796
較去年同期 304 0.9101796 5.645209311 使用該資料 128 1 4.992089837
亨網編譯郭 178 0.27943486 6.97578401 對該資料或 128 1 4.788127422
網編譯郭照 177 0.994382 7.340031879 導致的結果 128 1 3.865973528
編譯郭照青 177 1 8.184252875 成投資建議 128 1 4.534797251
美元或每股 142 0.993007 3.969541692 或使用該資 128 1 4.930456594
球金融危機 140 1 4.511906591 所導致的結 128 0.97709924 3.815962392
亨網記者張 139 0.26782274 6.051816557 所載資料僅 128 1 5.22409313
亨網記者葉 139 0.26782274 6.197053127 擔任何責任 128 1 6.959226015
北綜合報導 136 1 5.537903694 文所載資料 128 1 5.207681956
台北綜合報 136 1 5.113182606 料僅供參考 128 1 6.798409165
亨網查淑妝 135 0.99264705 6.796741437 料或使用該 128 1 5.838016298
鉅亨網查淑 135 1 6.388808062 料所導致的 128 1 3.807971584
全球金融危 129 0.32658228 4.369669218 料與原文有 128 1 5.040828599
Extreme Status Using MI
1. f(w) is very low, and MI is very high*2. f(w) is very low, and MI is very low3. f(w) is very high, and MI is very high*4. f(w) is very high, and MI is very low
frequency :f(.)4.
corpus in wordstotal :N corpus, in characters total :N3.
...cccw word,Chinese :w2.
i character Chinese :c1.
wc
n21
i
)(...)()(
)()(log)(
212
nw
nc
cfcfcfN
wfNwMi
1. f(w) is very low, and MI is very high*
name freq con_prob MI name freq con_prob MI
乒乓 1 1 7.543177 猖獗 2 1 7.543177
凜冽 1 1 7.543177 疙瘩 1 1 7.543177
劈啪 1 1 7.543177 痌蛁 1 1 7.543177
叱吒 2 1 7.543177 秸稈 1 1 7.543177
吝嗇 1 1 7.543177 窟窿 1 1 7.543177
囧痌 1 1 7.543177 綢繆 2 1 7.543177
徬徨 1 1 7.543177 繙嵼 1 1 7.543177
忐忑 1 1 7.543177 葡萄 1 1 7.543177
慫恿 1 1 7.543177 蚰縑 1 1 7.543177
摃龜 2 1 7.543177 蛁隃 1 1 7.543177
敝屣 2 1 7.543177 蝴蝶 1 1 7.543177
朦朧 1 1 7.543177 蹧蹋 2 1 7.543177
柑橘 2 1 7.543177 躊躇 1 1 7.543177
欷噓 2 1 7.543177 邯鄲 2 1 7.543177
漣漪 1 1 7.543177 隃捰 1 1 7.543177
2. f(w) is very low, and MI is very low
name freq con_prob MI name freq con_prob MI
將的 1 1.73E-04 -6.59625 的款 1 3.30E-05 -6.42922
以的 1 1.73E-04 -6.59609 原的 1 5.52E-04 -6.42751
的億 1 3.30E-05 -6.58623 更的 1 5.73E-04 -6.42459
的至 1 3.30E-05 -6.55214 亨的 1 5.91E-04 -6.4222
也的 1 2.35E-04 -6.5333 的險 1 3.30E-05 -6.41551
投的 1 2.52E-04 -6.5214 農的 1 7.96E-04 -6.4024
的及 1 3.30E-05 -6.48973 析的 1 9.38E-04 -6.39369
的司 1 3.30E-05 -6.4715 各的 1 9.72E-04 -6.39199
其的 1 3.97E-04 -6.45911 的造 1 3.30E-05 -6.38936
印的 1 4.32E-04 -6.44994 的界 1 3.30E-05 -6.38682
星的 1 4.33E-04 -6.44989 淨的 1 0.001134 -6.3852
的由 1 3.30E-05 -6.44048 的型 1 3.30E-05 -6.38502
就的 1 4.84E-04 -6.43897 推的 1 0.00116 -6.38428
的或 1 3.30E-05 -6.43482 的別 1 3.30E-05 -6.38266
的萬 1 3.30E-05 -6.43437 編的 1 0.001218 -6.38238
3. f(w) is very high, and MI is very high*
name freq con_prob MI name freq con_prob MI
美元 4,713 0.490529 6.406662 朋友 1,976 1 6.906582
市場 4,552 0.501211 6.849678 指數 1,973 0.424849 6.42562
經濟 4,393 0.649468 7.192184 股市 1,961 0.170596 5.151806
金融 4,286 0.399515 6.66883 友善 1,958 0.46977 6.797983
銀行 3,678 0.907252 6.779051 列印 1,955 0.82005 7.278606
投資 3,264 0.822373 6.544172 善列 1,955 0.815943 7.253335
中國 2,957 0.313973 5.599834 寄給 1,955 0.982412 7.351686
表示 2,879 0.701511 7.091099 給朋 1,955 0.789899 7.356216
美國 2,765 0.287781 5.490978 可能 1,761 0.465381 6.277721
公司 2,601 0.577743 7.053162 鉅亨 1,676 0.972158 7.515891
全球 2,418 0.520112 6.942785 危機 1,674 0.929484 6.692645
億元 2,279 0.411075 5.673348 亨網 1,662 0.98227 7.319669
星期 2,081 0.900087 6.307378 價格 1,631 0.285389 6.301081
政府 2,008 0.474368 6.88924 成長 1585 0.282129 5.877102
億美 1,995 0.359849 5.61813 目前 1493 0.697012 6.396741
4. f(w) is very high, and MI is very low
name freq con_prob MI name freq con_prob MI
將的 1 1.73E-04 -6.59625 的款 1 3.30E-05 -6.42922
以的 1 1.73E-04 -6.59609 原的 1 5.52E-04 -6.42751
的億 1 3.30E-05 -6.58623 更的 1 5.73E-04 -6.42459
的至 1 3.30E-05 -6.55214 亨的 1 5.91E-04 -6.4222
也的 1 2.35E-04 -6.5333 的險 1 3.30E-05 -6.41551
投的 1 2.52E-04 -6.5214 農的 1 7.96E-04 -6.4024
的及 1 3.30E-05 -6.48973 析的 1 9.38E-04 -6.39369
的司 1 3.30E-05 -6.4715 各的 1 9.72E-04 -6.39199
其的 1 3.97E-04 -6.45911 的造 1 3.30E-05 -6.38936
印的 1 4.32E-04 -6.44994 的界 1 3.30E-05 -6.38682
星的 1 4.33E-04 -6.44989 淨的 1 0.001134 -6.3852
的由 1 3.30E-05 -6.44048 的型 1 3.30E-05 -6.38502
就的 1 4.84E-04 -6.43897 推的 1 0.00116 -6.38428
的或 1 3.30E-05 -6.43482 的別 1 3.30E-05 -6.38266
的萬 1 3.30E-05 -6.43437 編的 1 0.001218 -6.38238
Further Work
• PAT-Tree• Pattern Filter• Cross Validate with CKIP
Reference
• 劉開瑛 (2000),中文文本自動分詞和標註,北京:商務印書館。