上市公司在股票交易市场中的股价很容易受到各种事件的影响,投资者进行事件检测可以帮助人们及时识别伴随这些事件的投资风险和机会。金融事件体系往往呈现为层级结构,在实际应用中可以用树形结构来表示这些事件,因此本文将金融事件检测问题建模为一个层级多标签文本分类问题,其中每个事件就是一条从根结点到目标节点的序列标签。常规的层级多标签文本分类方法通常会忽略事件层级间存在的依赖关系,将每个事件都视为独立的个体,施以相同的惩罚系数。针对这个问题,本文从数据集构建、算法设计和实验对比三个方面构建解决方案,总体来说本文的核心贡献如下:·本文针对具有大量事件类别标签的金融应用场景,提出了一种神经层级多标签文本分类算法,即F-HMTC。F-HMTC基于Transformer的编码单元来学习文本的潜在特征,使用一层前馈神经网络作为分类器。为了有效引入层级依赖信息辅助文本分类,本文设计了基于层级多标签文本距离和迭代正则机制的目标函数引导模型优化。·本文提出了一种有效区分层级分类结果的工业评估指标,即HMDScore,并利用该指标对模型表现进行衡量。许多研究基于拍平分类的评价指标比如准确性/错误率和精确率/召回率来衡量层级分类模型,但这些指标实际上并不能将不同类型的错误进行区分,因为不同的错误所代表的意义也不一样。因此本文基于层级多标签距离提出了适合我们实际应用场景的HMDScore。大量实验表明,该指标可以有效衡量层级分类模型的表现。·本文从实际应用场景出发构建了一个准确完整的数据集,并基于该数据集开展了大量对比实验来验证本文提出的结论。为了开发出贴近实际应用场景的检测算法,本工作从头构建了模型训练的数据集。数据集构建包括数据收集和文本标注两个部分,对于前者,本工作基于爬虫技术获取了丰富的文本语料,在标注部分我们结合模型迭代中发现的问题设计了科学有效的预推荐和标注策略。最后,本文基于层级抽样的策略组织业务专家对测试集进行复核,确保数据集可以准确反应真实的业务场景和模型的泛化能力。