近年来,随着互联网和互联网金融的快速发展,如何及时有效地对互联网金融企业或产品进行监管,对保障投资人权益、防范金融风险具有重要意义。当前的互联网金融舆情监管主要依靠的是基于人力的各类专项整治监管手段,然而互联网金融涉及业务广,经营方式复杂,传统的监管方式很难及时发现金融舆情并做出有效应对。互联网金融的持续发展在互联网上也催生了一系列关于金融企业或产品的新闻、评论等文本数据,这些文本数据有时效性高、隐含大众情绪、能披露金融舆情的特点,在大数据和自然语言处理技术快速发展的当下,利用人工智能技术对自然语言文本进行分析的方法日益成熟,对金融文本数据进行舆情分析能在一定程度上辅助金融舆情监管。因此,本文主要研究了一种互联网金融舆情分析算法,用于分析发现文本中隐含的金融舆情,并实现了一个互联网金融舆情监控系统,主要研究内容如下:1.为了挖掘金融文本的负面舆情信息,本文提出一种互联网金融舆情分析算法,它是一种流水线结构,分为金融文本实体识别、金融负面实体判别和负面金融实体关键词提取三个算法模型。在对金融文本实体识别方法的研究中,本文实验对比了多种不同编码器和解码器结合的命名实体识别模型,使用了准确率较高、泛化能力强的Fin BERT-CRF模型;在对金融负面实体判别方法的研究中,分别设计对比了多种神经网络模型,最终使用了能利用预训练知识的Fin BERT-Prompt模型,使判别F1分数达到了0.9421,达到了较好的判定效果;为了对金融舆情进行直观展示,本文使用了操作简便有效的无监督的Text Rank算法对负面金融实体进行关键词提取。2.针对预训练模型参数量大,直接使用工程资源消耗大的问题,本文对Fin BERT-CRF模型和Fin BERT-Prompt模型进行了知识蒸馏的实验研究,采用了基于知识加权蒸馏的方法对上述模型进行知识蒸馏,达到F1分数只下降千分位,减少近一半模型参数量的效果。3.本文基于上述互联网金融舆情分析算法,采用B/S架构,以Spring Boot为主要开发技术设计并实现了互联网金融舆情监控系统,帮助监管人员及时发现舆情、治理舆情。本文使用的数据来自微博、腾讯新闻等各大互联网平台的新闻、评论等文本,由国家互联网应急中心提供和打标。本文的核心算法曾在2019年中国计算机学会举办的金融信息负面及主体判定竞赛中获得一等奖,在1653支队伍中排名第一。本文在上述核心算法的基础上,结合了最新的Prompt-tuning研究进一步提升了效果,并进行了模型蒸馏的工程优化,实现了互联网金融舆情监控系统,旨在为金融监管人员和金融监管部门提供了及时、高效、精准的舆情监控和分析服务。