4. 题材识别与映射

政策文本与产业题材之间并不是天然一一对应的。一份国务院文件里出现的“新型储能”“源网荷储一体化”，可能同时牵动电池材料、电力电子、电网调度软件、储能温控等多个细分题材；而同一个题材，也可能被多份不同层级、不同部门的政策反复催化。因此，题材识别与映射的核心任务，是建立一套可追溯、可复用、可校验的转换机制：把政策文本中的关键词，稳定地映射到产业链上的具体环节与标的集合，并沉淀为题材库。

这一节要解决三个问题：映射逻辑怎么设计、题材库怎么构建、关联规则如何挖掘并经过人工校验后入库。

一、映射逻辑：三层锚点，从词到链到标的

有效的映射不是“关键词—题材”的直接跳转，而是经过三层锚点逐级收敛。第一层是政策词，即原文中出现的规范性表述，如“低空经济”“数据要素×”“大规模设备更新”。第二层是产业环节，即该政策词在产业链上对应的具体位置，例如“低空经济”可拆为飞行器整机、动力系统、空管通信导航监视、起降基础设施、运营服务。第三层是标的集合，即每个环节下可被市场识别为题材成分的具体公司或产品类别。

三层锚点的价值在于可解释性。当某个题材异动时，我们能沿“标的—环节—政策词—政策文件”反向追溯，判断它是被哪条政策、哪个环节驱动的，而不是笼统地说“政策利好”。这也为后续的关联规则挖掘提供了结构化的中间层，避免规则直接在“词”和“股票”之间建立脆弱联系。

需要强调的是映射的方向约定：本文统一采用“政策词 → 产业环节 → 标的”的正向映射，反向追溯仅用于校验与归因。同一政策词在不同文件中可能指向不同环节，此时应保留多条映射边并标注适用条件（如文件层级、地域范围、时间窗口），而不是强行合并为一条。

二、题材库构建：字段设计与分层组织

题材库不是一张题材名称清单，而是一个带关系的数据结构。建议至少包含四类实体：政策文件、政策词、产业环节、标的，以及它们之间的映射边。每条映射边应携带来源文件编号、置信度、生效时间、失效或观察期、人工校验状态等属性。

下面给出一份可直接参考的题材库字段设计示例（示例字段与取值均为教学假设，非实测数据）：

分层组织上，建议按“一级题材—二级环节—三级标的集合”建树，同时用标签做横向关联（如“出口链”“国产替代”“设备更新”），使一个标的可以同时挂在多个题材路径下，但每条路径都保留独立的政策来源与置信度，避免题材之间互相污染。

三、关联规则挖掘：从共现到可解释规则

规则挖掘的输入是“政策文本分词结果 + 已标注的产业环节”。常用做法是先统计政策词与产业环节在语料中的共现频次，再用支持度、置信度、提升度三项指标筛选。设政策词 A 出现、产业环节 B 出现的样本数为 N，则：

支持度 support(A→B) = count(A 且 B) / 总样本数
置信度 confidence(A→B) = count(A 且 B) / count(A)
提升度 lift(A→B) = confidence(A→B) / (count(B) / 总样本数)

筛选时建议设定组合阈值，例如支持度 ≥ 0.02、置信度 ≥ 0.6、提升度 ≥ 1.5，再按提升度降序取前若干条进入候选池。提升度大于 1 说明该政策词对产业环节的出现有正向拉动，小于 1 则说明二者可能只是各自高频而偶然共现，应剔除。需要注意，共现挖掘只能给出“统计上相关”，不能直接等同于“政策因果”，因此候选规则必须进入人工校验。

四、人工校验流程：四道关卡

人工校验是把统计候选转为可用规则的关键环节，建议设置四道关卡，逐级过滤：

1. 语义关：判断政策词与产业环节是否在语义上真正对应，排除同词异义（如“储能”在电力与数据存储语境下的混淆）。
2. 层级关：核对发文层级与适用范围，地方性政策词不应直接映射为全国性题材，需标注地域限定。
3. 时效关：确认政策是否仍在有效期或观察期内，过期规则转入历史库而非直接删除，保留回溯能力。
4. 标的口径关：检查标的集合是否与环节匹配，剔除仅因名称相似而被误挂的标的，并记录剔除理由。

校验结果分为“通过、待复核、驳回”三态。通过规则写入正式题材库并赋予置信度；待复核规则进入观察队列，设定复核期限；驳回规则保留驳回原因，供后续规则优化参考。整个流程应留下操作人、时间与依据，保证规则可审计。

把上述链路跑通后，题材库就具备了自我更新的基础：新政策进入时，先分词抽取政策词，命中已有环节则直接复用映射边并更新置信度；未命中则触发规则挖掘与人工校验，通过后新增映射边。这样，题材识别从“每次人工翻文件”转变为“规则驱动 + 人工把关”的可持续流程，既保留了统计挖掘的效率，也用四道校验关卡守住了专业判断的底线。