如何制作或获取财务文件的语料库

Question

我正在处理财务报告/文档的文档分类问题。这是否有现成的语料库？我找到了几个用例，但他们都创建了自己的语料库。

Answer 1

您很可能必须创建自己的语料库。我有类似的任务，手动创建这样的语料库太繁琐了。因此，我创建了News Corpus Builder一个python模块，允许您根据自己特定的主题兴趣快速开发语料库。

该模块允许您生成自己的语料库，并将文本和相关标签存储在sqlite或平面文件中。

from news_corpus_builder import NewsCorpusGenerator

# Location to save generated corpus
corpus_dir = '/Users/skillachie/finance_corpus'

# Save results to sqlite or  files per article 
ex = NewsCorpusGenerator(corpus_dir,'sqlite')

# Retrieve 50 links related to the search term dogs and assign a category of   Pet to the retrieved links
links = ex.google_news_search('dogs','Pet',50)

# Generate and save corpus
ex.generate_corpus(links)

有关blog

的详细信息

财务语料库可供下载here。语料库有以下类别：

• 政策（许可证，监管，证券交易委员会，货币，美联储，货币，财政，国际货币基金组织）
• 国际金融（全球金融，国际货币基金组织，欧洲央行，希腊问题，人民币贬值）
• 经济（GDP，就业，失业，住房，经济）筹集资本（ipo，股权）
• 房地产
• 合并＆amp;收购（合并，收购）
• 石油（石油，石油价格，天然气价格）
• 商品（商品，黄金，白银）
• 欺诈（内幕交易，庞氏骗局，金融诈骗）
• 诉讼（公司诉讼，公司和解）
• 收入报告