财经新闻对股票市场的影响巨大,受到各类市场参与者的密切关注。计算机网络与便携设备提供了便捷的信息发布与传播渠道,也使得人们陷入“信息迷航”。如何从海量财经新闻中抽取出对某支股票而言价值最高的新闻,并根据信息价值量进行重要程度分级是值得探究的问题。这不仅可以实现信息序化,挖掘新闻价值,还可以作为基础性设施支持应用层的各类知识服务项目。本文拟从基础理论出发,利用机器学习相关技术方法,从海量的财经新闻中自动获取与某支股票相关联的财经新闻,并基于新闻价值量完成分类分级。为此,本文基于新闻价值量化理论,融入股票-新闻价值关联关系,建立“与股票关联的财经新闻价值量化指标体系”。利用自然语言处理、命名实体识别、主题词抽取、统计分析等技术方法从新闻数据与股票数据中提取特征,针对本文的研究情境构建相应的股票画像与新闻画像。以此作为数据基础,类比推荐系统的“召回”与“精排”过程,完成财经新闻的“分类”与“分级”。从理论上来说,本文提出新的分类思路,基于信息学、新闻学、金融学等各领域的科学理论建立与股票关联的财经新闻价值量化体系,面向不同股票评估新闻价值。在技术方法上,创新性地引入推荐系统框架解决文本分类问题,将与股票关联的财经新闻分类分级问题具像化为一个广义的推荐问题。不仅可以描述新闻与股票之间更为复杂的关系,而且支持各类外部辅助信息的融合,具有较强的可解释性、可扩展性和可移植性。其次,作为一项基础性设施,可以支撑不同的应用场景,例如股票投资者新闻推荐、股票市场波动分析等,具有广泛的实践意义。本文的局限性主要体现在股票和新闻关联关系的发现和抽取过程中。本文抽取股票与新闻的关联关系时,用到的主要是实体类、主题类等内容维度的信息;而股票与新闻之间还可以通过诸如关键人物、投融资关系等进行关联。后续研究可以考虑将股票画像与新闻画像中各个维度的信息通过知识图谱方式组织起来,抽取出更为含蓄、复杂的关联关系,更准确地衡量每条财经新闻与每支股票间的关联程度。