NLU
- Advertisment -
NLU成就智慧金融投顧
人工智慧技術已逐漸滲透到金融領域，國內外金融機構紛紛搶占風口。舉例來說，摩根大通和高盛公司均表示要在人工智慧領域進行大規模的投資；中國的四大銀行也分別攜手網路公司，開啟智慧金融的合作。
智慧投顧逐漸崛起，是否導入市場商用化只是時間問題，而關鍵的驅動要素，當然還是技術的突破。由過去我們談到的自然語言處理(NLP)，轉換到自然語言理解(NLU)，其中的進程不只是數據結構處理的差異，重點還是在目標性的差異。過去的重點是轉換結構來做分析，所謂的自然語言理解則是希望從語意得到理解，而我認為理解語言的內容在投資市場是非常重要的。
金融投顧領域的機器學習時代已經到來，我們必須開始思考，人類能用機器學習預測股價嗎？借由智慧投顧的推進，能否讓自然語言理解(NLU)走得更快些？自然語言理解又如何實現預測股價漲跌？本文將探討NLU在智慧投顧領域應用的全新解讀，並探索NLU在金融領域的創新應用。
機器也能感測情緒
在過去，投資金融產業普遍依賴各式各樣的人工。可能是一個天資聰穎的分析師，每天晨起讀報、蒐集資訊，依照其個人經驗去理解、歸納訊息，進而提出對於產業的看法。這些分析師們的經驗其實難以被流傳、被傳遞。若要幫助分析師解決這個問題，我認為透過人工智慧的幫助來做，就是一個很重要的方式。
我們都知道，人們時常會由於新聞報導恐慌性的買入賣出，到底哪些消息會影響人們買賣股票的意願，其中都是有關聯可循的，但是卻又沒有人可以將其道理整理清晰。因此，「情緒偵測」便是在智慧投顧應用中非常重要的一環。因為消息與人們的情緒反應之間是一個弱關聯，但是透過深度的規則，還是可以幫助我們去挖掘出其中的連結。
在語言建模應用中使用長短記憶模型LSTM)並不是太稀奇的事，相信很多人都已經有使用該模型的經驗，但是如果討論到股市漲跌，就必須進一步考慮股民的情緒反應；必須要知道在新聞出來之後，股民會有什麼感受，而不同的狀況又會對股價有何影響。另一方面，也由於在金融市場時常看到的資料不只是短文章，然而使用LSTM處理長文章是非常痛苦的。因此，目前我們的處理方式是把文章切斷成為短篇，或是分句處理，從其中找出情緒。
在NLP方法中，有很多技巧可以協助我們做到一些簡單的情感識別。當然現在也有許多新方法與新技術，然而不變的是，我們該如何從稀疏的語言表徵裡面找到情緒的關鍵、找到有意義的結果，這才是最重要的。因此，Word Embedded是一個在語言模型當中至關重要的部分(圖1)。另外一部分，我們希望了解這些關鍵是甚麼，並從過去的文本中，找到引發情緒的關鍵要素，了解人們究竟為何恐慌。這時候就會使用到Attention Model，也就是注意力的機制。
圖1 Word Embedded確保LSTM能在稀疏的語言表徵中找到規則。
詞向量？字向量？
另一方面，在語言識別的討論之中，大家最常問的問題還是在於詞向量與字向量的使用選擇。到底該用詞向量模型還是字向量模型，也始終是我們一直遇到的問題。
在一整篇的文章結構裡面，我們必須透過不同層級，其中包含字的層級、詞的層級，去把我們擷取到的特徵作建模。但通常這裡會有一個疑慮，就是要使用字模型好？還是詞模型好？
而語言對於機器來說非常困難，因此要用甚麼方法做其實也沒有正確答案；關於這個大哉問，總是有各式各樣的思考與討論。但我認為，由於英文是基於26個字母的排列組合，因此使用字模型依然不太有效率，因此在英文的語意理解應用中，建議走詞模型。
但如果是中文，我的答案是兩者皆可。在中文語境中，如果我們使用較為常見的詞模型，因為詞本身已經是一個凝聚語意的常見單位，所以能夠讓我們有效率的保持句子語意。但是，也由於中文的最小單位依然是字，因此就算走字模型也不會有OOV(Out of Vovabulary)的問題。詞模型與字模型，皆為中文語意理解適用(圖2)。
圖2 英文建議使用詞模型；中文則詞模型與字模型兩者皆可。
然而，金融投顧是一個很特別的產業，股票市場對於不同產業都必須要有相當深入的觀察，因此在相關新聞報導中，非常容易遇到專業詞彙。當語意理解應用到金融市場中時，不在字典裡的詞將會讓人非常頭痛。這也是我們目前所在努力的方向，希望能夠做出一個有效率的字模型並開放使用，進而推廣中文語意理解的發展。
(本文由尹相志口述，記者程倚華整理)