2. 金融文本基础

在金融关系抽取与事件三元组构建任务中，模型的上限往往不由网络结构决定，而由输入文本的质量与理解深度决定。金融文本是一种高度专业化、格式多样、术语密集且噪声显著的语料，若直接套用通用 NLP 流程，抽取结果常出现实体边界错位、关系方向颠倒、事件要素缺失等问题。本节从文本类型、语言特点、术语体系、数据来源与预处理五个维度，建立后续抽取工作的语料认知基础。

一、核心原理：金融文本的四种类型与信息密度差异

金融文本并非单一文体，不同来源的文本在结构规整度、术语密度和事件承载能力上差异巨大。理解这些差异，才能为不同文本设计差异化的抽取策略。

• 公告类文本：如上市公司年报、临时公告、招股说明书。结构高度规范，包含固定章节（董事会决议、关联交易、股权变动），实体与关系往往以表格或条款形式出现，是关系抽取的优质语料。
• 新闻资讯类：如财经快讯、深度报道。语言接近自然语言，事件描述完整，但存在指代消解和情感倾向问题，适合事件三元组抽取。
• 研报与评论类：如券商研究报告、分析师点评。包含大量主观判断与预测性表述，关系常以隐含方式表达，抽取时需区分事实与观点。
• 结构化数据衍生文本：如行情摘要、财报数据播报。由模板生成，格式统一但信息冗余低，适合作为规则抽取的补充。

二、金融文本的语言特点与术语体系

金融文本的语言特点可归纳为四点：术语密集、缩写与全称混用、数值与单位高度绑定、否定与条件结构频繁。例如“非公开发行”“可转债转股”“质押式回购”“同比扭亏”等术语，若按通用分词处理，极易被切碎，导致实体识别失败。

常见术语可按功能分为以下几类，预处理阶段应建立术语词典并参与分词与实体边界校正：

此外，金融文本中大量使用被动语态和无主句，如“被出具警示函”“拟以自有资金出资”。这类结构在关系抽取时需通过上下文补全施事者，否则会丢失关键三元组。

三、数据来源与预处理流程

金融数据来源可分为公开渠道与授权渠道。公开渠道包括交易所公告、证监会指定信息披露平台、财经新闻网站；授权渠道包括Wind、同花顺、东方财富Choice等终端。不同来源的数据在格式、编码、更新频率上差异明显，预处理需统一处理。

标准预处理流程如下：

1. 采集与去重：按股票代码、公告标题、发布时间进行去重，避免同一事件重复抽取。
2. 格式解析：PDF公告需转为文本，HTML新闻需提取正文，表格需保留行列结构。
3. 清洗与规范化：去除页眉页脚、广告、免责声明；统一全半角、繁简体、日期格式。
4. 分句与分词：金融长句需按标点和语义切分，分词时加载金融术语词典。
5. 实体预标注：识别公司名、人名、金额、日期、股票代码，为后续关系抽取提供候选。
6. 质量抽检：人工抽样核对实体边界与关系方向，形成反馈修正规则。

# 示例：金融文本预处理关键参数
segmenter = FinancialSegmenter(
    user_dict="finance_terms.txt",   # 金融术语词典
    keep_whitespace=False,
    split_long_sentence=True,
    max_sentence_len=180
)
normalizer = TextNormalizer(
    full_to_half=True,
    traditional_to_simple=True,
    date_format="YYYY-MM-DD",
    unit_map={"亿": 1e8, "万": 1e4}
)

四、案例场景与常见误区复盘

以某上市公司公告为例，原文写道：“公司控股股东张三拟以协议转让方式向李四转让其持有的5%股份，转让完成后李四将成为公司第二大股东。”这段文本包含至少三个三元组：（张三，转让股份，李四）、（李四，成为，第二大股东）、（张三，控股股东，公司）。若预处理阶段未识别“控股股东”“协议转让”“第二大股东”等术语，分词结果会将“控股股东”切为“控股/股东”，导致实体角色丢失。

常见误区包括：

• 忽视文本类型差异：用新闻抽取模型直接处理公告，导致表格内关系漏抽。
• 术语词典覆盖不足：新出现的金融产品名称未及时更新，实体识别召回率下降。
• 数值单位未归一化：将“1.2亿”与“12000万”视为不同数值，影响事件一致性判断。
• 否定与条件结构误判：将“未发生实质性进展”误抽为“发生进展”，造成事件极性错误。