激活主题词典的方法扩大训练数据趋势规则发现

文摘

本文改进方法预测等评价对象是否在不久的将来,公司和产品很有吸引力。吸引力是评价趋势规则。趋势规则代表评价对象之间的关系,关键字,和数值变化相关的评价对象。他们是电感从文本序列数据和数值顺序获得的数据。方法将评价对象赋给文本顺序数据通过激活一个主题词典。字典描述关键词代表数值的变化。它可以扩大训练数据的数量。预计更多有效的扩张会导致收购趋势规则。本文方法适用于一个任务有吸引力的股票预测品牌基于新闻标题和股票价格序列。这表明评价对象的方法可以提高检测的性能通过数值实验。

1。介绍

最近,各种各样的序列数据很容易和廉价的收集来自现实世界和虚拟世界。预计的数据包括知识对我们带来智能生命。因此,许多研究积极应对知识发现任务从数据(1- - - - - -5]。另一方面,数据的知识发现任务取决于特征和类型的知识。是不可能处理所有的特性和所有类型只有一个方法。它是必不可少的发展发现方法反映目标特性和类型。

我们试图开发一种方法预测等评价对象是否在不久的将来,公司和产品很有吸引力。这是因为目标数据很容易收集到的网络环境和预测任务很容易定量评估的准确性。方法处理文本序列数据和数值顺序数据与评估对象。它发现趋势规则。每个趋势规则代表一个评价对象之间的关系,关键字,和数值的变化。方法趋势规则适用于文本顺序在指定期间收集的数据和预测的吸引力评价对象在未来时期。它作为评价对象的趋势变化有吸引力的评价对象。本文旨在发现更有效的趋势规则为了提高检测性能的预测。它侧重于训练数据的膨胀,因为许多机器学习研究表明,扩张带来更好的学习效果。摘要激活一个主题词典的扩张。 The dictionary describes relationships between evaluation objects and keywords related to numerical changes. This paper verifies the effect of the method through numerical experiments. That is, this paper contributes to the data mining research field with the following three viewpoints. Firstly, it incorporates a new function expanding learning data based on the topic dictionary into the previous discovery method of trend rules. Secondly, it incorporates a new function excluding frequent patterns including some evaluation objects as uncharacteristic ones into it. Thirdly, it applies the revised method to the prediction task in the financial field and verifies its effect.

因此,本文的其余部分由以下组成的。第二部分介绍了一些有关在金融领域工作。第三部分介绍了发现的方法基于他们(规则和趋势预测方法6]。第四部分提出了扩大训练数据的方法。第五节解释实验数据、实验方法和实验结果。第六节讨论该方法的效果。最后,第七节描述总结和未来的工作。

2。相关的工作

本节介绍一些相关的工作基于财务数据组成的数值数据和文本数据。

Antweiler和弗兰克(745股票数据)之间的关系进行调查的公司在道琼斯工业平均指数)和超过1.5亿条消息。本文表明消息可以解释股票价格波动的评价标准但不能帮助获得收入的贸易业务。

博伦et al。8)提出一个方法,归纳学习态和6种情绪之间的关系包含在Twitter中描述的信息。该方法获得通过使用模糊自组织映射的关系。这表明对于情感的关系“平静”可以解释日常态变化预测的准确率为87.6%。

Zhang et al。9]提出一种方法预测股票市场指数基于tweet。分析股票市场指数之间的相关性,两集体的情绪,如“恐惧”和“希望。“这发现情感推比例负相关指标和波动率指数(VIX)正相关。

Fung et al。10]提出一种方法预测股票市场股票价格的变化。方法部分数值股票价格数据为三个趋势:“崛起”“稳定”和“下降。”的方法着重于两个趋势:“上升”、“下降”,归纳学习分类模型。模型用于预测。

Mittermayer和Knolmayer11)提出一个方法,自动分类新闻文章来预测股票价格的趋势。该方法使用一本同义词典由人类和提高标签的方法的文章。它选择适当的训练数据构建预测模型。本文表明,到达高预测性能的方法。

Peramunetilleke和黄12提出一个方法,获取分类规则。前期是加权关键词和结果部分是货币兑换类离散化的变化。关键词选择的股票交易员或人类专家和权重计算的频率指的是在目标关键词。

Choudhury et al。13)开发一个模型分析沟通动力学在博客圈里来决定股票市场相关性运动。从博客圈中的数据获得的模型是由支持向量机(SVM)回归。模型可以预测运动约78%精度的大小及其方向大约87%的准确率。

搜索引擎优化等。14)开发项目组合管理的智能多重代理系统。系统获得一个模型分类新闻文章相关财务信息的公司为5类。它把新闻文章和评估信息收集的代理。项目组合管理进行分类和评价。

一些现有的方法(7- - - - - -9,12]分析一个特定的数字序列和文本之间的关系。数值序列合成股指如态或特定的汇率的变化。其他现有的方法(10,11,13,14]分析文本相关股份有限品牌之间的关系和他们的数字序列。因此,这些现有的方法很难同时处理许多评价对象分别如证券交易所所有股票的品牌和世界各地的货币之间的汇率。

我们先前的研究[15)提出了一个评价对象的排序法来解决这个问题。每个评价的方法处理数值顺序数据对象和文本序列数据包括评估对象相关的内容。它构造一个排名模式,指的是数值的变化顺序数据和文本的连续的数据量。许多评价对象可以同时分别进行了分析。有吸引力的评价对象是从中提取。然而,该方法不能充分解释的原因评价对象选为有吸引力的。因此,我们的另一个先前的研究(6)解决发展的预测方法可以代表的原因。它获得趋势序列数据的规则。规则可以显示。同时,使用它们来预测有吸引力的评价对象。该方法在一定程度上可以预测有吸引力的评价对象。然而,它们的检测性能应该修改为更有效的预测。因此,本文试图提高检测的性能。

3所示。复杂的时序数据的分析

本节解释复杂的序列数据的分析方法6]。该方法有两个阶段:学习阶段和预测阶段。学习阶段发现趋势规则从文本序列数据和数值序列数据。预测阶段预测吸引力评价对象通过使用趋势规则和文本顺序的数据在指定的时期。在以下的格式复杂的序列数据和解释这些阶段。

3.1。格式复杂的序列数据

复杂的序列数据是由文本序列数据()和数值序列数据()。每个元素在时间戳顺序数据的文本()和文本()。描述的文本内容与评价对象()。在这里,由用户事先给出评价对象存储在一个评估对象列表。一些元素可以有相同的时间戳。另一方面,每个评价对象有各自的数值序列数据。数值序列数据是数值的序列对于每个时间戳()。

3.2。学习趋势规则

学习阶段由5子流程如图1。子流程1执行文本形态分析。我们的实验系统处理日本文字。它使用Chasen [16),这是代表日本的形态分析引擎之一。引擎将一个文本单词和分配他们的词类。名词词汇提取的文本分析。每个名词的单词是评估是否一个专有名词存储在评价对象列表。如果这个词是专有名词,它被认为是一个评价对象。否则,它被认为是一个属性。子流程2计算评价对象的变化比描述的文本指的数字序列。即,它计算数值之间的差异在时间分配给文本和一个未来的时间和分裂前值的差异。subprocess 3标识一个类指的变化比率每个评价对象中包含的文本。这里,每个类都有各自的变化比率。 The combination of evaluation objects and attributes extracted from the text is a training transaction with a class. The training transaction is generated by the subprocesses 1, 2, and 3. We note that a training transaction is not generated when the text does not include an evaluation object.

子流程4与同一个类应用的训练集交易的频繁模式发现方法(1,17为每个类),发现频繁模式。在这里,每个频繁模式由评价对象和属性。支持大于或等于最低的支持。最后,在子流程5类分配给一组结合发现频繁模式。组合规则是一个趋势。子流程的子流程4和5生成趋势规则。规则可以代表评价对象之间的关系,属性和数值的变化。

算法1显示了这一阶段的伪代码。在算法1、文本序列数据(),数值序列数据(),评价对象列表(),类集(),最小支持(),阈值设置改变的比率()输入。但是,最后一节课的阈值设置为无穷大。此外,集趋势规则(为每个类())输出。是每个类培训事务。评估对象和属性提取从一个元素()的文本序列数据。是确定每个类的数量从一个元素。频繁模式为每个类。在这个伪代码,第三步提取评价对象和属性的元素()。步骤8和9步计算改变率()为评价对象()。第10步识别它的类()和步骤12标识一个类()的一个元素。此外,为每个类步骤16发现频繁模式。17步提取趋势规则生成的每个类培训事务。

3.3。有吸引力的评价对象的预测

预测阶段4子流程如图2。预测阶段处理收购趋势规则和顺序在指定期间收集的数据的文本。子流程1提取评价对象和属性的文本数据。提取等于一个学习阶段。子流程生成一个评价事务由评价对象和属性。

接下来,子流程2评估趋势规则是否匹配评估事务。即法官评价对象和属性趋势规则是否完全包括评估事务。评估事务被分配给一个类的趋势规则当趋势规则匹配。评估执行的每个趋势规则条目的数量大于或等于最小数量的物品。评估的类事务由指指定类的数目决定。我们不注意评估事务处理下面的子流程,当任何趋势规则不匹配。subprocess 3积累1类评价对象的计数器包括在评估事务的类类计数器等于一个评价对象和评价对象的类各自类的计数器。这些子过程对所有收集的文本顺序数据是重复的。最后,子流程4确定每个评价对象是否有吸引力,指的是它的类。如果类的最大值柜台分配给评价对象大于或等于最低交易数量,评估对象是有吸引力的。 The minimum number is given by users in advance. The subprocesses 2, 3, and 4 predict attractive evaluation objects based on the trend rules.

摘要有吸引力的股票的预测任务的品牌。任务定义了三个类“下降”,“稳定”和“上升。“预计股票交易员对股票价格的变化感兴趣。也就是本文重点关注两类“下降”和“上升。“另一方面,这并不关心类的区别。这是因为很难预测股票价格变化的方向只使用有限的文本信息和品牌改变股票价格的通知给股票交易员带来有用的信息即使方向不确定。因此,有吸引力的评价对象是被类的总价值计数器对应“下降”和“上升。“这任务处理两类的总价值。然而,类的方法可以处理各自的值计数器在其他任务三个或更多的类。

算法2显示了一个预测阶段的伪代码。在算法2、文本序列数据(),集趋势规则(为每个类()),最小数量的事务(),最小数量的项目()输入。另外,有吸引力的评价对象(),他们的类()和价值()类计数器的输出。在这个伪代码,第二步回升趋势预测阶段使用的规则。第五步提取评价对象和属性的元素()的文本序列数据。第9步评估评估事务(基于这一趋势规则()和步骤12标识一个类()的元素。如果类不是一个null值,步骤14、15和16积累值()为评价对象(类的计数器)包含在评估事务。最后,18步识别有吸引力的评价对象。

4所示。扩大训练数据

先前的研究[6]表明,有很多文献,评估对象不提取。另一方面,预计增加训练数据实现更有效的归纳学习。重要的是学习规则来增加训练数据的趋势。本节提出了一种方法,激活一个文本没有直接描述评估对象。

有吸引力的股票预测任务的品牌,文本顺序数据,数值顺序数据,和评价对象是头条新闻,股票价格序列,分别和股票的品牌。我们知道,出口公司的公司业绩恶化当他们的汇率上升。上升会导致股票价格的下降。即使一个文本不直接描述一个特定的股票品牌,文本可以给一个对品牌的股票价格产生重大影响。,一个特定的关键字的文本可以代表股票价格的变化。这个关键字被认为是一个主题。摘要激活各种主题为了扩大学习数据。主题是由一个主题词典具有三层结构。第一层中间类别代表相关话题,第二层是主题,第三层是评价对象。表1显示了一个示例主题词典的有吸引力的股票预测的品牌。在这个表中,主题词典有6个或更多的关键字和评价对象之间的关系。的关系在第二行显示,股票价格的“公司”与“日圆走强”和“货币兑换。”关系也在第五行显示了一个“C公司”与“镍”和“稀有金属。“同样,第八行表明,“说实话”和“冰箱”与“E公司。“说实话是政策,鼓励消费者与生态新取代旧家电,在日本了。

本文试图简单地使用主题字典,以确认其效果为评价对象的检测性能。如果文本包含关键词包含在第一层和第二层,他们替换为评价对象存储在第三层。图3显示了一个转换的轮廓。也就是说,在关键字的情况下“日圆走强”在第一个原始事务,该方法提取“日圆走强”在字典里并提取相应的股票品牌“公司”和“B公司。“关键字”日圆走强”被替换为股票品牌”公司”和“B公司。稀有金属“同样,关键字在第二原始事务被替换为股票品牌”C公司”和“D公司。”也,关键字“冰箱”,第三个是替换为“E公司。”The original transactions are transformed into the transactions as shown in the right bottom of Figure3。转换可以通过将额外的步骤执行算法所示3步骤3和步骤4之间的算法1。额外的步骤,道明字典是一个话题。步骤4的算法3转换一个话题(w)为评价对象。

主题通常代表了一些股票的品牌。转换后的事务往往包括一些评价对象。频繁模式的发现方法往往会发现许多频繁模式包括一些股票的品牌。然而,模式并不总是代表股票价格变化的特征模式,因为只有反思模式主题词典。因此,该方法删除模式包括一些评价对象作为异常模式。由于删除,该方法可以避免这种风险,重要的模式是隐藏在大量的模式。在图中4两位前删除模式,因为它们包括两家公司评估对象,分别。另一方面,后者两个模式趋势规则因为他们不包括两个或两个以上的公司。训练数据可以扩展而产生许多无意义的模式发现方法的改进。改善可以通过将一个额外的步骤执行算法所示4步骤16和17步之间的算法1。但是,如果我们尝试更有效地发现频繁的模式没有包括不寻常的,额外的步骤应该被称为16步的算法1。

我们注意变换可用于预测阶段。也就是额外的步骤所示算法3是注册步骤5和步骤6之间的算法2。更多的评价使用事务是为了寻找有吸引力的评价对象。这是因为计算评价对象的类计数器的值根据评价对象在评价交易分配类。它可以另外预期执行更有效的识别。

5。实验

本节解释实验验证该方法的效果。实验数据,主题字典,评价标准、实验方法和实验结果解释。

5.1。实验数据

本实验使用新闻标题由五个站点(激发、粘性、Infoseek、活力门和雅虎)作为文本序列数据。的学习阶段(D1)收集从8月28日,2010年1月31日,2011年的预测阶段(D2)收集从2月1日,2011年,2011年3月10日。预测的最后一天一天在东日本大地震发生之前。我们认为这一趋势规则改变了地震之前和之后。为了避免这种影响,预测周期决定。

表2显示了每个站点新闻标题的数量。大约一百万新闻标题是用来收购趋势规则和大约027万的是用来预测股票品牌的吸引力。

这个实验也使用每天的股票价格序列为每个股票的品牌http://www.geocities.jp/sundaysoftware/csv/keiretu.html数值序列数据。该网站商店250工作日csv格式的序列。收集业务天包括D1和D2的时期。每个序列是由股票品牌代码、日期、开价格,最低价格,最高价格,收盘价和营业额。本实验的重点是开盘价序列。

另一方面,评估对象是股票在东京证券交易所上市的品牌,札幌证交所、大阪证交所、福冈名古屋证券交易所,证券交易所。这个实验收集他们的名字从每个stock exchange)的主页。评价对象的数量到达3951。

5.2。主题词典

本实验使用关键字表中存储http://www.asset-alive.com/thema/作为一个主题词典。表下载10月25日,2011年。它包括134个关键词在第一层和第二层867字。关键字相关股票价格的变化。一些关键词复合名词。他们被分成相应的名词。第三层包括股票品牌相关的关键词。表有4842个关键词和股票品牌之间的关系。

5.3。评估标准

股票交易员不能专注于所有有吸引力的股票品牌,因为许多股票品牌上市,其中很多地方可以吸引人。此外,即使品牌推荐系统漏掉一些有吸引力的股票,股票交易员并不总是关心小姐。另一方面,如果不吸引人,许多股票推荐品牌股票交易员无法相信系统的建议。它是重要的系统推荐股票品牌有高概率的吸引力。因此,精度()定义为(1)是非常重要的:

在这个实验中,预测阶段提取有吸引力的股票每天的品牌。数字积累的日子和股票品牌是用来计算精度。

虽然精度是非常重要的,回忆和F衡量标准推荐系统有好处。因此,这个实验计算召回()和F测量()。他们被定义为如下所示: 这个实验将股票品牌的变化比率都包含在类“下降”或类“崛起”作为品牌真正有吸引力的股票。每个股票品牌是判断是否真正有吸引力在指定日指的变化比率为第二天。评价结果作为对这次试验地面实况。法官执行每天的预测。此外,这个实验侧重于有吸引力的股票品牌可以从新闻标题中提取。也就是说,如果一些股票品牌不是新闻标题中所述,股票品牌被排除在这些评估标准的计算。这对于每天进行排除。这是因为我们无法理解他们的股票价格的变化从新闻标题。的变化超过范围提出了预测方法。有必要推荐系统使用的附加信息,以了解它们。 In near future, the system will be revised by referring to the knowledge in a financial engineering field.

5.4。实验方法

这个实验发现从数据集中趋势规则D1和有吸引力的股票预测品牌通过引用数据集D2。计算评估标准如前一小节所示为了比较该方法的结果与先前的结果(6]。然后,使用相同的参数集。即阈值的变化比在学习阶段是0.05,和一个在预测阶段是0.01,0.02,0.025,0.03和0.05。的阈值,范围“≦”和“<”对应于类“下降”和阶级”上升,分别”。我们注意到一个更高的变化比率设置为了使用新闻头条大影响学习阶段。最低支持是0.005,0.01,0.02和0.03。它是一个标准,评估是否频繁模式。此外,最小数量的物品是2,和最低交易数量是1,3,5,10。使用后两个参数来判断一个股票每天的品牌是有吸引力的。第一个最小数量显示了最小数量的物品包括在趋势规则。当一个趋势规则是由物品的数量小于最低数量,这种趋势不使用规则。同时,第二最小数量显示的最小数量的事务分配给股票品牌要有吸引力。当一个股票品牌的价值小于最小数量的交易,它不是视为一个有吸引力的股票品牌。 In this experiment, the total value of the class ‘‘Drop’’ and the class ‘‘Rise’’ is referred to.

5.5。实验结果

本节展示的部分实验结果数据5- - - - - -10。在每个图中,“樱井”显示的结果(6),它不使用词典的主题。“No_topic”显示了结果的情况下,主题词典不激活,“主题”展示了一个在主题词典被激活。同时,“樱井”只处理股票品牌在东京证券交易所第一部分。本节涉及1680股票品牌。“No_topic”和“话题”处理所有股票品牌。预计股票品牌的扩张导致了培训事务之一。然而,我们的初步实验表明,股票不给一个大品牌的差异对检测性能的影响。我们认为原因是为什么东京证券交易所的第一部分是由主要的股票品牌在日本和小股票品牌unincluded交换很少出现在新闻头条。因此,发现小股票趋势规则限制相关品牌和它们的影响很小。

图5显示的数量从数据集中提取D1培训事务。在这个图中,每个条形图是累计的数量“下降”和“崛起”。

数据6和7显示的数量趋势规则的最低支持0.005和0.01,分别。“樱井”、“No_topic”和“话题”展示各自方法的结果。每个条形图是累计的数量“下降”和“崛起”。

图8显示了提取评价对象的数量。每个方法有4个条形图。每个条形图显示的最低交易数量改变了1、3、5、10。

数据9和10显示每个评价标准的检测性能。前图是一个结果在最低交易是1,后者是一个结果在3。结果在例5和10也离开,因为只有更少的评价对象提取和检测性能过度依赖于他们。每个图都有相关3 subfigures改变比率在预测阶段:0.01,0.02,0.025。每个方法在每个subfigure有3条图对应精度,回忆,F测量。

6。讨论

本节讨论该方法的效果与四个观点:扩大培训事务,发现趋势规则,提取的评价对象,检测性能。

6.1。扩大培训事务

图5表明培训事务数量的增加。“No_topic”是“樱井约2.9倍。“膨胀率接近股票的膨胀比品牌。“主题”是约25倍“樱井”,是“No_topic约8.7倍。“我们可以证实,主题词典扩展培训事务。主题词典被扩张的效果。

6.2。发现趋势规则

数据6和7显示的数量趋势规则减少”的话题。“我们认为,造成的结果是相对较小的支持模式。即“话题”处理额外的2300评价对象指的是所有股票的品牌。此外,它比先前的研究并处理多个属性,因为更多的培训事务产生更多的新闻头条。每一项的相对频率往往随着项目的增加减少。支持的模式往往是小。另一方面,一些实验结果表明,良好的检测性能没有得到当很少趋势规则是用于预测阶段。在不久的将来,可能需要考虑的方法决定的数量趋势规则良好的检测性能。

6.3。抽取评价对象

图8表明评价对象中提取的数量增加。尤其是“话题”中提取更多的评价比其他方法做交易。这是因为许多评价对象被分配到评估交易的主题词典。预计,回忆随着提取对象的数量增加而增加。

另一方面,该方法不能直接识别原始评价对象在新闻标题与描述的基于词典的主题。预测阶段可以提取更多的有效评价对象如果不同的评价对象识别和预测的差异反映的阶段。在不久的将来,我们将努力考虑主题词典的激活方法。

6.4。检测性能

数据9和10精度测量表明,“话题”给了类似于“樱井”,但“话题”给或多或少的更小的精度比“No_topic”。另一方面,“主题”大大提高了回忆说。它给最好的F在大多数情况下的措施。例如,当我们关注结果图9 (b),结果表明,“主题”是14.3%高于“樱井”和“主题”是比“No_topic高出12.7%。“激烈的提高有助于改善回忆说F措施。我们认为激活的主题字典有助于改善检测性能即使精度或多或少地恶化。

根据上面的讨论,我们认为,拟议的扩张方法可以获得更多的有效的趋势规则。

7所示。总结和未来工作

本文提出了一种新的方法对训练数据的扩张。扩张会导致更有效的发现趋势规则从复杂的序列数据。方法应用于有吸引力的股票的预测任务品牌在未来时期。本文通过比较,验证了本文方法的效果与以前的方法。

在未来的工作中,我们将努力提高检测性能。例如,我们正在计划重新考虑评估对象的转换方法基于字典的主题。这是因为该方法无法识别原始评价对象包含在文本与字典添加的主题。同时,我们计划激活主题的主题词典的把握。每个单位时间的确定性可以更新。它可以灵活评估评估对象和主题之间的关系。预计这些改进导致更有效的趋势规则的收购。同时,它们会导致检测性能的提高。

另一方面,我们将尝试将该方法应用到其他应用领域,如智能社区领域和医疗领域。例如,在智能社区领域,Twitter消息,大量的电能消耗,和社区文本顺序数据,数值顺序数据,评估对象。在医疗领域,护理,医学检查的测试值,对应于病人。各种应用领域将被考虑。通过应用到各个领域中,我们将详细评估该方法的效果。

利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. r . Agrawal和r . Srikant挖掘序列模式”《1995年国际会议上知识发现和数据挖掘1995年3月,页3 - 14,。视图:谷歌学术搜索
2. j .贝聿铭j .汉b Mortazavi-Asl et al .,“PrefixSpan:由前缀映射模式挖掘序列模式有效地增长,”第17届国际会议上数据工程学报》上2001年4月,页215 - 224。视图:谷歌学术搜索
3. 樱井和r . Orihara”,发现重要的线程从公告板网站”,信息技术和智能计算的国际期刊,1卷,不。1,第228 - 217页,2006。视图:谷歌学术搜索
4. 樱井和k上野,“日常业务报告的分析基于连续的文本挖掘方法,”《IEEE国际会议系统,人与控制论(SMC的04)4卷,第3284 - 3279页,2004年10月。视图:出版商的网站|谷歌学术搜索
5. 美国日圆,“智能系统的序列模式挖掘有趣,”国际期刊的智能系统,20卷,不。1,第87 - 73页,2005。视图:出版商的网站|谷歌学术搜索
6. 樱井,k .牧野,s .松本”的趋势规则发现方法复杂的序列数据,”学报》第26届IEEE国际先进信息网络与应用研讨会会议(AINA 12),第955 - 950页,2012年。视图:谷歌学术搜索
7. w . Antweiler和m z弗兰克”,是讲声音?信息内容的互联网股票留言板。”金融杂志卷,59号3、1259 - 1294年,2004页。视图:出版商的网站|谷歌学术搜索
8. j·博伦、h·毛和x曾庆红,“Twitter情绪预测股市,”2010年10月,http://arxiv.org/PS_cache/arxiv/pdf/1010/1010.3003v1.pdf。视图:谷歌学术搜索
9. h . Fuehres x张,p . a . Gloor”预测股票市场指标通过Twitter,“我希望这不是和我担心的一样糟糕,”Procedia,卷。26日,55 - 62、2011页。视图:谷歌学术搜索
10. g . p . c . Fung j . x,和w·林,“新闻敏感的股票趋势预测,”第六届亚太会议Proceedngs知识发现和数据挖掘,第493 - 481页,2002年。视图:谷歌学术搜索
11. m . Mittermayer和g . f . Knolmayer NewsCATS:新闻分类和交易系统”第六届国际会议上数据挖掘学报》上2006年12月,页1002 - 1007。视图:出版商的网站|谷歌学术搜索
12. d . Peramunetilleke和r·k·黄”从新闻标题货币汇率预测,”《会议13日澳大拉西亚的数据库5卷,第139 - 131页,2002年。视图:谷歌学术搜索
13. h . m . de Choudhury《答:约翰,和d·d·塞”博客传播动力学可以与股市相关活动?“在超文本和超媒体19 ACM会议(HT ' 08)2008年6月,页则高达55 -,。视图:谷歌学术搜索
14. y Seo, j . a . Giampapa和k . p . Sycaratech“财经新闻分析智能组合管理,”报告CMU-RI-TR-04-04机器人研究所,卡内基梅隆大学,2004。视图:谷歌学术搜索
15. 樱井,k牧野,h铃木和y Masaoka”排名基于复杂的时序数据的评价目标,”学报25年会上日本社会的人工智能,2011岁的2 g2-01(日本)。视图:谷歌学术搜索
16. Chasen 2010(日本),http://chasen.naist.jp/hiki/ChaSen/。
17. j .汉j .贝聿铭,y阴”挖掘频繁模式没有候选人的一代。”学报2000年ACM SIGMOD国际会议管理的数据卷,29号2、1 - 12,2000页。视图:谷歌学术搜索

版权

版权©2014 Shigeaki樱井等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。