4. 金融实体类型体系
在金融NER项目中，实体类型体系是连接业务需求与模型输出的桥梁。它决定了标注员看到什么、模型学什么、下游应用能拿到什么。一个设计不当的类型体系，往往在标注阶段就埋下歧义，在模型训练时表现为标签混淆，最终在业务落地时无法支撑风控、投研或合规场景。本节将系统讲解金融实体类型的设计原则、类别定义、边界规则与常见陷阱。
一、核心原理：为什么不能照搬通用NER体系
通用NER通常只覆盖人名、地名、组织机构、时间、数量等粗粒度类别。金融文本的密度和精度要求远高于此：一份上市公司公告中，同一句话可能同时出现公司全称、股票代码、交易所、财务指标、同比百分比和报告期。若仅用“组织机构”一个标签，模型无法区分“贵州茅台”与“上交所”；若仅用“数量”一个标签，“营收增长12.3%”中的百分比与“金额3.2亿元”会被混为一谈。
金融实体体系的设计目标可以概括为三点：业务可解释（每个标签对应明确的金融语义）、标注可操作（边界规则清晰，减少主观判断）、模型可学习（类别间有足够区分度，避免高频混淆）。
核心判断标准：如果一个实体类型无法对应到下游具体动作（如抽取股票代码用于行情关联、抽取金额用于财务计算），它就不应该出现在体系中。
二、金融实体类型清单与边界定义
以下是一套经过实战验证的金融NER类型体系，共8个主类，可根据业务场景裁剪或扩展。
| 类型标签 | 定义 | 正例 | 边界说明 |
|---|---|---|---|
| COMPANY | 公司、企业法人名称 | 贵州茅台、宁德时代、中国平安 | 不含股票代码；不含“公司”“集团”等后缀单独出现 |
| STOCK_CODE | 股票、债券等证券代码 | 600519、300750、00700.HK | 需保留交易所后缀；纯数字需结合上下文判断 |
| FIN_INST | 银行、券商、基金、交易所等金融机构 | 上交所、中信证券、易方达基金 | 与COMPANY区分：持牌金融机构归此类 |
| PRODUCT | 金融产品、服务、理财产品 | 沪深300ETF、余额宝、国债逆回购 | 不含底层资产名称；不含泛化品类词 |
| INDICATOR | 财务指标、经济指标、技术指标 | 营业收入、CPI、MACD、市盈率 | 指标名称本身，不含其数值 |
| TIME | 时间点、时间段、报告期 | 2024年Q1、上周五、近30个交易日 | 相对时间需归一化；不含“近期”等模糊词 |
| AMOUNT | 货币金额 | 3.2亿元、$500万、1200万港元 | 含币种和数量级；不含百分比 |
| PERCENT | 百分比、比率、涨跌幅 | 12.3%、同比+5.6%、换手率2.1% | 与AMOUNT严格区分；含正负号 |
扩展建议：若面向舆情场景，可增加EVENT（事件）和PERSON（人物）；若面向研报场景，可增加RATING（评级）和TARGET_PRICE（目标价）。但每增加一类，标注一致性成本约上升15%～20%。
三、方法流程：从业务需求到标注规范
类型体系不是拍脑袋列清单，而应遵循以下流程：
- 业务动作映射：列出下游需要抽取的字段，如“股票代码→行情关联”“金额→财务计算”“时间→时序对齐”。
- 语料预标注：抽取200～500条真实金融文本，人工试标，统计高频实体形态。
- 类别合并与拆分：若两类实体在标注中混淆率超过20%，考虑合并或增加边界规则；若一类内部形态差异过大，考虑拆分。
- 编写标注手册：每个标签给出定义、正例、负例、边界规则和歧义处理优先级。
- 一致性检验：多人标注同一批数据，计算Kappa系数，低于0.8则回到第4步修订。
# 标注规范片段示例：STOCK_CODE 与 AMOUNT 的区分
# 规则：6位纯数字且上下文含“股票”“代码”“上市”等词 → STOCK_CODE
# 规则：数字后带“元/万元/亿元/美元”等货币单位 → AMOUNT
# 规则：数字后带“%”或“个百分点” → PERCENT
# 歧义示例：“600519”单独出现 → 默认STOCK_CODE（金融语料先验）
# 歧义示例：“600519元” → AMOUNT（货币单位优先）
四、案例场景：一句话中的多实体标注
以真实公告句子为例：“2024年Q1，贵州茅台（600519）实现营业收入464.7亿元，同比增长15.6%，增速较上季度提升2.3个百分点。”
- TIME：2024年Q1
- COMPANY：贵州茅台
- STOCK_CODE：600519
- INDICATOR：营业收入
- AMOUNT：464.7亿元
- PERCENT：15.6%、2.3个百分点
该句覆盖了6类实体，且各类边界清晰。若将“464.7亿元”误标为PERCENT，或把“600519”误标为AMOUNT，下游财务计算和行情关联都会出错。
五、误区与复盘：常见设计陷阱
误区一：类别过细导致标注不一致。例如将“银行”拆为“国有银行”“股份制银行”“城商行”，标注员需反复查证，Kappa系数骤降。建议先粗后细，用属性字段而非实体类型表达细分。
误区二：AMOUNT与PERCENT混标。“增长3.2亿元”与“增长3.2%”语义完全不同，前者是绝对增量，后者是相对变化。若混标，下游无法区分。
误区三：忽略嵌套实体。“2024年Q1营业收入”中，TIME与INDICATOR相邻但不嵌套；但“贵州茅台2024年Q1营收”中，COMPANY与TIME可能被误标为整体。需明确最长匹配还是最短匹配原则。
误区四：股票代码与金额的纯数字歧义。“600519”在金融语料中优先判为STOCK_CODE，但若上下文为“600519元”则判为AMOUNT。需在标注手册中写明优先级规则。
复盘建议：每完成一轮标注，抽取混淆矩阵，重点观察COMPANY与FIN_INST、AMOUNT与PERCENT、STOCK_CODE与AMOUNT三组易混类别的F1值。若某组混淆率持续高于15%，应回到类型定义层面修订，而非单纯增加标注量。
最终检验标准：随机抽取50条标注样本，让未参与标注的金融业务人员判断“这个标签是否对应他理解的业务含义”。若一致率低于90%，类型体系需要重新对齐业务语义。