刘渤 学号：16308073
读书笔记：Deep Learning for Event-Driven Stock Prediction
文章从事件驱动的角度提出了股票市场预测的一种新的深度学习方法。（限制点：事件
驱动）
总的来说，这种方法的流程是提取新闻事件、事件嵌入和 NTN 训练、深度卷积神经网
络预测。
（1）对于新闻事件的提取，（方法）：文章使用了 Open IE 技术和依存句法分析来获取
结构化事件：对于给定的新闻句子，首先用 ReVerb 的方法提取候选元组，然后用 ZPar 的方
法进行语法分析主谓宾得到元组，通过比较这两者对应元组的相符性选定最终的主事件元组。
（意义：）原有的 NLP 技术对于新闻事件的特征获取没有结构性关联，比如对于事件的主体
和客体的辨别，而使用事件的结构表征能够清晰地表示事件的逻辑关系。
（2）对于事件嵌入，（方法：）文章使用了神经张量网络实现单词嵌入到事件嵌入：首
先使用 skip-gram 算法从语料库学习 d 维单词表示，并用它们的平均值作为事件表示对应的
参数，然后通过给定的式子（参考文章 fig.2）得到最终事件嵌入的输出元组。（意义与区别：）
单纯地使用结构表征存在稀疏度增大的问题，限制了预测能力。使用事件嵌入转化成密集连
续的向量空间能够使得相似的时间对应的向量相似，即使单词不同；同时与作者之前提出的
多元关系学习分布式表示任务相比，之前的方法对于每一种关系类型都会训练出一个矩阵或
向量，而事件类型很难训练一个特定的模型，所以关系只能表示成一个向量，与事件参数维
度一致；其次，之前的方法参数是可以互换的，但是事件嵌入是不可以的，所以必须分别使
用张量对两者分别进行学习最终进行语义合成，得到元组。
（3）在得到事件嵌入元组之后，这些样本（元组）就可以进行 NTN 训练了，（方法：）
通过每一次迭代随机更换事件参数，得到破坏的事件元组进而得到更新后事件元组集合，遍
历集合中的事件元组，计算出损失，在损失大于 0 时进行更新，损失为 0 时继续处理下一事
件元组。
（4）对于股票的最终预测，（方法：）对于长中期事件，使用了卷积神经网络：将时间
排序的事件嵌入每天平均得到单个输入单元作为模型的输入，使用窄卷积运算（窗口：3）
组合相邻事件，并在卷积层顶部使用最大池化层保留最有用的局部特征；而对于短期事件，
则只需要平均获得事件向量就行了，然后将这三者结合，使用单隐藏层和单输出层的正反馈
神经网络：将三者结合的特征向量作为输入最终得到二分类输出。（意义：）股票的预测会受
到一段时间新闻事件的影响，使用卷积网络考虑了历史事件同时提取最有代表性的全局特征，
将两者的趋势联系起来。
基于以上的分析，文章进行了实验以及评估：
对于研究表明：从新闻标题预测比内容预测更好，所以实验仅从标题中提取特征；（限
制点：新闻标题）
实验是对比实验：通过对 Luss、Ding、WB-NN、WB-CNN、E-CNN、EB-NN、EB-CNN（参
考文章），
在整体指数上：证明了事件嵌入比文字嵌入更加适合作为特征进行股票预测；事件嵌入
比结构表征效果更好，也证实了低维稠密向量缓解稀疏问题对于预测的重要性，甚至重要于
提取结构信息；CNN 效果比 NN 好，因为考虑了长期历史的事件影响同时提取了最优代表性
的特征向量。
评论0