本發(fā)明涉及人工智能領(lǐng)域和金融科技領(lǐng)域，尤其涉及新聞識別方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、金融平臺上的新聞來源包括官方發(fā)布機(jī)構(gòu)、財經(jīng)媒體、金融研究機(jī)構(gòu)以及自媒體機(jī)構(gòu)。這些新聞涵蓋了各類金融市場的動態(tài)以及宏觀經(jīng)濟(jì)政策、國際經(jīng)濟(jì)關(guān)系等方面的信息。

2、然而，金融平臺的當(dāng)前新聞的識別過程繁瑣，不利于提高當(dāng)前新聞的識別效率。其原因在于，現(xiàn)有技術(shù)主要采用人工識別的方式，識別金融平臺的當(dāng)前新聞，而人工識別的方式會耗費(fèi)大量的人力資源和時間資源，增加了金融平臺的當(dāng)前新聞的識別時間，且容易受到人工干預(yù)的影響，因此，不利于提高當(dāng)前新聞的識別效率。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種新聞識別方法、裝置、計算機(jī)設(shè)備及存儲介質(zhì)，以解決現(xiàn)有金融平臺的當(dāng)前新聞的識別過程繁瑣，不利于提高當(dāng)前新聞的識別效率的技術(shù)問題。

2、第一方面，提供了一種新聞識別方法，包括：

3、獲取金融平臺上經(jīng)過確認(rèn)的虛假新聞和真實新聞，選取所述虛假新聞或所述真實新聞作為預(yù)設(shè)新聞，獲取所述預(yù)設(shè)新聞對應(yīng)的預(yù)設(shè)識別結(jié)果，獲取所述金融平臺對應(yīng)的金融專業(yè)知識；

4、對所述預(yù)設(shè)新聞進(jìn)行特征提取，得到第一特征向量，對所述金融專業(yè)知識進(jìn)行特征提取，得到第二特征向量；

5、將所述第一特征向量和所述第二特征向量進(jìn)行融合，生成第三特征向量；

6、獲取預(yù)訓(xùn)練語言模型基于所述第三特征向量輸出的預(yù)測識別結(jié)果，基于預(yù)定義的生成方式，生成所述預(yù)測識別結(jié)果與所述預(yù)設(shè)識別結(jié)果之間的損失值；

7、當(dāng)所述損失值小于預(yù)設(shè)值時，采用預(yù)定義的獲取方式，獲取測試通過的所述預(yù)訓(xùn)練語言模型；

8、獲取所述金融平臺的當(dāng)前新聞，將所述當(dāng)前新聞輸入測試通過的所述預(yù)訓(xùn)練語言模型中，獲取測試通過的所述預(yù)訓(xùn)練語言模型基于所述當(dāng)前新聞輸出的當(dāng)前識別結(jié)果。

9、進(jìn)一步地，所述對所述預(yù)設(shè)新聞進(jìn)行特征提取，得到第一特征向量，對所述金融專業(yè)知識進(jìn)行特征提取，得到第二特征向量，包括：

10、獲取所述預(yù)設(shè)新聞的新聞文字、新聞圖像、新聞音頻，對所述預(yù)設(shè)新聞的新聞文字、新聞圖像、新聞音頻進(jìn)行特征提取，得到第一特征向量；

11、獲取所述金融專業(yè)知識中的金融術(shù)語、金融法規(guī)，對所述金融術(shù)語、所述金融法規(guī)進(jìn)行特征提取，得到第二特征向量。

12、進(jìn)一步地，所述將所述第一特征向量和所述第二特征向量進(jìn)行融合，生成第三特征向量，包括：

13、利用所述預(yù)訓(xùn)練語言模型的線性變換層，將所述第一特征向量轉(zhuǎn)換為第一輸出向量，將所述第二特征向量轉(zhuǎn)換為第二輸出向量；

14、通過多頭自注意力機(jī)制將所述第一輸出向量和所述第二輸出向量進(jìn)行融合，生成第三特征向量。

15、進(jìn)一步地，所述獲取預(yù)訓(xùn)練語言模型基于所述第三特征向量輸出的預(yù)測識別結(jié)果，基于預(yù)定義的生成方式，生成所述預(yù)測識別結(jié)果與所述預(yù)設(shè)識別結(jié)果之間的損失值，包括：

16、獲取預(yù)訓(xùn)練語言模型的分類器基于所述第三特征向量輸出的預(yù)測識別結(jié)果；

17、通過預(yù)設(shè)的交叉熵?fù)p失函數(shù)，生成所述預(yù)測識別結(jié)果與所述預(yù)設(shè)識別結(jié)果之間的損失值。

18、進(jìn)一步地，所述當(dāng)所述損失值小于預(yù)設(shè)值時，采用預(yù)定義的獲取方式，獲取測試通過的所述預(yù)訓(xùn)練語言模型，包括：

19、當(dāng)所述損失值小于預(yù)設(shè)值時，獲取所述金融平臺對應(yīng)的測試集，采用所述測試集測試所述預(yù)訓(xùn)練語言模型，生成測試結(jié)果；

20、根據(jù)所述測試結(jié)果，獲取所述預(yù)訓(xùn)練語言模型在所述測試集上的當(dāng)前準(zhǔn)確率，當(dāng)所述當(dāng)前準(zhǔn)確率大于預(yù)設(shè)準(zhǔn)確率時，獲取測試通過的所述預(yù)訓(xùn)練語言模型。

21、進(jìn)一步地，所述獲取所述金融平臺的當(dāng)前新聞，將所述當(dāng)前新聞輸入測試通過的所述預(yù)訓(xùn)練語言模型中，獲取測試通過的所述預(yù)訓(xùn)練語言模型基于所述當(dāng)前新聞輸出的當(dāng)前識別結(jié)果，包括：

22、獲取所述金融平臺的聊天界面，獲取所述聊天界面的對話窗口，獲取所述對話窗口中出現(xiàn)的所述當(dāng)前新聞；

23、獲取所述當(dāng)前新聞的新聞文字、新聞圖像、新聞音頻，對所述當(dāng)前新聞的新聞文字、新聞圖像、新聞音頻進(jìn)行特征提取，得到第四特征向量，將所述第四特征向量輸入測試通過的所述預(yù)訓(xùn)練語言模型中，獲取測試通過的所述預(yù)訓(xùn)練語言模型基于所述第四特征向量輸出的當(dāng)前識別結(jié)果。

24、進(jìn)一步地，在所述獲取所述金融平臺的當(dāng)前新聞，將所述當(dāng)前新聞輸入測試通過的所述預(yù)訓(xùn)練語言模型中，獲取測試通過的所述預(yù)訓(xùn)練語言模型基于所述當(dāng)前新聞輸出的當(dāng)前識別結(jié)果之后，所述新聞識別方法，包括：

25、獲取所述金融平臺的提示框，通過所述提示框顯示所述當(dāng)前識別結(jié)果。

26、第二方面，提供了一種新聞識別裝置，包括：

27、第一獲取模塊，用于獲取金融平臺上經(jīng)過確認(rèn)的虛假新聞和真實新聞，選取所述虛假新聞或所述真實新聞作為預(yù)設(shè)新聞，獲取所述預(yù)設(shè)新聞對應(yīng)的預(yù)設(shè)識別結(jié)果，獲取所述金融平臺對應(yīng)的金融專業(yè)知識；

28、提取模塊，用于對所述預(yù)設(shè)新聞進(jìn)行特征提取，得到第一特征向量，對所述金融專業(yè)知識進(jìn)行特征提取，得到第二特征向量；

29、生成模塊，用于將所述第一特征向量和所述第二特征向量進(jìn)行融合，生成第三特征向量；

30、第二獲取模塊，用于獲取預(yù)訓(xùn)練語言模型基于所述第三特征向量輸出的預(yù)測識別結(jié)果，基于預(yù)定義的生成方式，生成所述預(yù)測識別結(jié)果與所述預(yù)設(shè)識別結(jié)果之間的損失值；

31、第三獲取模塊，用于當(dāng)所述損失值小于預(yù)設(shè)值時，采用預(yù)定義的獲取方式，獲取測試通過的所述預(yù)訓(xùn)練語言模型；

32、識別模塊，用于獲取所述金融平臺的當(dāng)前新聞，將所述當(dāng)前新聞輸入測試通過的所述預(yù)訓(xùn)練語言模型中，獲取測試通過的所述預(yù)訓(xùn)練語言模型基于所述當(dāng)前新聞輸出的當(dāng)前識別結(jié)果。

33、第三方面，提供了一種計算機(jī)設(shè)備，包括存儲器、處理器以及存儲在存儲器中并可在處理器上運(yùn)行的計算機(jī)程序，處理器執(zhí)行計算機(jī)程序時實現(xiàn)上述新聞識別方法的步驟。

34、第四方面，提供了一種計算機(jī)可讀存儲介質(zhì)，計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，計算機(jī)程序被處理器執(zhí)行時實現(xiàn)上述新聞識別方法的步驟。

35、本技術(shù)提供一種新聞識別方法、裝置、計算機(jī)設(shè)備及存儲介質(zhì)，獲取金融平臺上經(jīng)過確認(rèn)的虛假新聞和真實新聞，選取所述虛假新聞或所述真實新聞作為預(yù)設(shè)新聞，獲取所述預(yù)設(shè)新聞對應(yīng)的預(yù)設(shè)識別結(jié)果，獲取所述金融平臺對應(yīng)的金融專業(yè)知識；對所述預(yù)設(shè)新聞進(jìn)行特征提取，得到第一特征向量，對所述金融專業(yè)知識進(jìn)行特征提取，得到第二特征向量；將所述第一特征向量和所述第二特征向量進(jìn)行融合，生成第三特征向量；獲取預(yù)訓(xùn)練語言模型基于所述第三特征向量輸出的預(yù)測識別結(jié)果，基于預(yù)定義的生成方式，生成所述預(yù)測識別結(jié)果與所述預(yù)設(shè)識別結(jié)果之間的損失值；當(dāng)所述損失值小于預(yù)設(shè)值時，采用預(yù)定義的獲取方式，獲取測試通過的所述預(yù)訓(xùn)練語言模型；獲取所述金融平臺的當(dāng)前新聞，將所述當(dāng)前新聞輸入測試通過的所述預(yù)訓(xùn)練語言模型中，獲取測試通過的所述預(yù)訓(xùn)練語言模型基于所述當(dāng)前新聞輸出的當(dāng)前識別結(jié)果，有益效果在于兩方面，一方面，一方面，識別所述金融平臺的當(dāng)前新聞，將所述當(dāng)前新聞輸入測試通過的所述預(yù)訓(xùn)練語言模型中，識別測試通過的所述預(yù)訓(xùn)練語言模型基于所述當(dāng)前新聞輸出的當(dāng)前識別結(jié)果，由于無需人工識別，因此減少了金融平臺的當(dāng)前新聞的識別時間，有利于提高金融平臺的當(dāng)前新聞的識別效率；另一方面，由于預(yù)訓(xùn)練語言模型，不會受到人工干預(yù)的影響，因此有利于提高當(dāng)前識別結(jié)果的可靠性。