1. 课程导入
欢迎进入《BERT金融新闻分类与事件识别实战》。在正式动手写模型之前，我们需要先建立一张清晰的“认知地图”：这门课到底解决什么问题、用到哪些核心概念、整体技术框架长什么样、以及我们将沿着怎样的路线一步步从数据走向可用的金融事件识别系统。本章不涉及复杂代码，但它是后续29章的地基，请务必理解其中的逻辑关系。
一、学习目标：从“看懂新闻”到“结构化事件”
金融新闻是典型的非结构化文本，一条新闻可能同时包含公司公告、行业政策、市场情绪、突发事件等多重信息。本课程的学习目标可以归纳为四个层次：
- 理解任务本质：区分“新闻分类”与“事件识别”的联系与差异，明确多标签、多类别、实体抽取等不同任务形态。
- 掌握BERT微调方法：能够基于预训练语言模型完成金融文本的分类与序列标注任务，包括数据预处理、模型构建、训练调参和评估。
- 构建事件识别流水线：将分类模型与事件抽取模块组合，形成从原始新闻到结构化事件记录的完整链路。
- 具备工程落地意识：理解金融场景下的数据噪声、类别不平衡、时效性要求，并能设计合理的评估与复盘方案。
提示：本课程强调“实战路线图”，每一章都会对应路线图中的一个节点。建议你在学习过程中反复回看本章的框架图，明确当前所处位置。
二、核心概念：分类、事件与BERT
在金融文本处理中，有三个概念最容易混淆，我们先用一句话分别定义：
| 概念 | 定义 | 典型输出 | 金融场景示例 |
|---|---|---|---|
| 新闻分类 | 为整篇新闻分配一个或多个预定义类别标签 | 类别标签（单标签/多标签） | “央行降准” → 货币政策、宏观经济 |
| 事件识别 | 从文本中定位事件触发词并抽取事件要素（主体、时间、金额等） | 事件类型 + 论元角色 | “某公司拟收购A企业” → 并购事件：收购方、被收购方、金额 |
| BERT | 基于Transformer的预训练语言模型，通过微调适配下游任务 | 上下文向量表示 | 将新闻文本编码为语义向量，供分类或序列标注使用 |
三者的关系是：BERT提供语义理解能力，新闻分类解决“这篇新闻属于什么”，事件识别解决“这篇新闻里发生了什么”。在实际系统中，二者往往串联使用——先分类缩小范围，再针对特定类别做事件抽取。
三、整体框架：从原始新闻到结构化事件
本课程采用的总体技术框架分为五层，自下而上依次为数据层、表示层、任务层、应用层和评估层。下图展示了各层之间的数据流与依赖关系：
这张框架图贯穿整个课程。数据层决定上限，表示层决定语义质量，任务层决定模型形态，应用层决定业务价值，评估层决定迭代方向。后续每一章都会聚焦其中某一层的具体实现。
四、实战路线图：30章如何一步步推进
为了让学习路径更清晰，我们将30章划分为五个阶段，每个阶段都有明确的交付物：
- 基础准备阶段（第1-5章）：完成环境搭建、金融语料获取、标注规范设计，跑通第一个BERT分类基线。
- 分类进阶阶段（第6-12章）：处理类别不平衡、多标签分类、长文本截断、领域自适应预训练等实际问题。
- 事件识别阶段（第13-20章）：从序列标注基础到触发词抽取、论元角色分类、事件类型联合建模。
- 流水线整合阶段（第21-26章）：将分类与事件识别串联，设计推理服务、批处理管道和结果存储方案。
- 评估与优化阶段（第27-30章）：建立评估体系，进行错误分析、模型压缩和上线前复盘。
实战路线图的核心原则：每一阶段都产出可运行、可评估的代码与模型，避免“只学不练”。第1章结束后，你将能够画出属于自己的项目架构草图。
五、常见误区与复盘要点
在正式进入实战前，先了解初学者最容易踩的坑，可以节省大量时间：
- 误区一：把分类当事件识别。分类只回答“是什么类别”，事件识别还要回答“谁对谁做了什么”。两者数据标注格式完全不同，不能混用。
- 误区二：忽视标注质量。金融文本专业性强，标注不一致会直接导致模型学到噪声。建议先做小规模双人标注一致性检验。
- 误区三：直接用通用BERT。金融领域术语（如“缩表”“逆回购”）在通用语料中出现频率低，必要时需领域自适应预训练或使用金融BERT变体。
- 误区四：只看准确率。金融事件往往类别极不平衡，准确率高不代表召回率高。必须结合混淆矩阵和F1值综合判断。
注意：本课程后续所有代码均基于Python和HuggingFace Transformers生态。如果你尚未安装相关环境，请在进入第2章前完成基础配置，避免影响后续实操。
本章作为导入，重点在于建立全局认知。请记住三个关键词：分类解决“是什么”，事件识别解决“发生了什么”，BERT是连接文本与任务的语义引擎。接下来，我们将从数据层开始，一步步搭建属于你自己的金融新闻分类与事件识别系统。