近年来,舆情事件预警已成为金融风险管控的核心任务之一。为了更加精准地分析事件的影响,需要将事件的类别进行详细地划分,这就导致金融领域的舆情事件类别繁多。一方面,由于事件本身的长尾特性,某些事件发生的频度很低,样本稀少,但这些低频事件带来的损失更加难以预测。因此,及时准确地发现这些少样本事件、尽可能减少“黑天鹅”事件带来的损失,对管控金融风险至关重要。另一方面,金融事件主体关联等特征的普遍性使得高频的头部事件对于少样本的长尾事件分类也具有指导性。为了有效提高金融舆情中的长尾类别事件的分类性能,达到少样本事件及时准确预警的目的,本文设计实现了一种有效的少样本金融文本的分级分类方法。首先,考虑长尾类别数量多、样本少的特征,本文根据类别之间的相似性和易混淆性,将类别进行聚合。针对聚合后的类别标签依赖和标签噪音问题,本文提出在大规模预训练的多分类模型上引入标签混淆模型。多分类模型在预训练任务的基础上,通过学习聚合类别下文本的特征,建立文本到类别标签的映射,获得预测标签的概率分布。标签混淆模型通过计算文本和标签的相似度,捕捉标签之间的语义重叠,最终得到一个新的模拟标签分布。该分布能够反映每个标签描述当前实例的程度,代替one hot向量指导模型的优化。实验表明,分类的准确率在两个数据集分别提升2.1%和3.2%。其次,对于每一聚合类别下的分类,为了降低构建多个分类器带来的成本,以及避免少样本带来的过拟合问题,本文进一步提出了基于元学习的少样本分类方法,通过学习多样本类别的映射关系,指导少样本的分类任务。在该方法中,首先将词汇特征及其分布特征映射为注意力分数,用于构造文本表示。然后通过岭回归器压缩部分参数的特征,有效地防止过拟合,实现分类。最后结合基于同一聚合类别的特征,优化模型的训练过程,完成更具有针对性的分类任务。实验表明,本文提出的模型相对于各基线方法均有明显的性能提升。本文的实验系统是从实际应用场景构建的分级中文金融事件语料库和金融合同语料库,所建立的少样本金融文本的分级分类方法已经在实际系统中得到成功应用。