一万一千篇中文财经新闻,两万一千多条企业级标注,正面标签只有 9 条。这不是标注失误,而是这套数据的用途决定的:它叫 FinChina SA,做的是企业风险预警,样本按「出问题」的方向收集。
数据集来自 IJCAI'23 FinLLM workshop 的论文《Chinese Fine-Grained Financial Sentiment Analysis with Large Language Models》,作者把数据和代码一起放在 GitHub 上,采用 Apache-2.0 许可。题面写的是「约 1.1 万篇新闻」,实际解开是 11,036 篇,训练集 9,933 篇、测试集 1,103 篇。
一条记录长什么样
每条新闻四个字段:
| 字段 | 内容 |
| newscode | 新闻编号,11 位数字 |
| title | 标题,平均 26 字 |
| text | 正文,平均 1,330 字 |
| institution | 涉及的企业列表,一条新闻可以挂多家 |
真正有价值的是 institution 里嵌套的企业级标注,每家一个对象,四个子字段:
| 子字段 | 含义 |
| ins_name | 企业全称 |
| sentiment_level | 情感等级,取值 -3、-2、-1、0、1、2 |
| label_type | 风险事由,共 190 类 |
| PriOrSec | 1 为新闻主体,2 为相关方 |
同一个新闻对象里,主体和相关方是分开标的。全部数据里主体标注 14,237 条、相关方标注 7,036 条,涉及 8,739 家企业。
标签体系比想象的细
190 类 label_type 里,出现最多的几类是:
| 标签 | 标注条数 |
| 非负面指标(小类) | 4,199 |
| 行政处罚 | 1,894 |
| 相关企业问题 | 1,764 |
| 法律诉讼风险 | 723 |
| 进行责任人调查或追责 | 677 |
| 高层管理人员被调查 | 664 |
| 受到问询关注 | 604 |
| 财务亏损 | 555 |
情感等级则高度偏负:-1 有 12,170 条,0 有 6,983 条,-2 有 1,886 条,-3 有 225 条,正的只有 9 条。做二分类实验时这个分布要留意,直接拿准确率当指标会失真。
新闻涉及几家企业
| 涉及企业数 | 新闻条数 |
| 1 家 | 5,753 |
| 2 家 | 2,461 |
| 3 家 | 1,333 |
| 4 家 | 846 |
| 5 家及以上 | 643 |
接近一半的新闻只挂一家企业,剩下的是多家。做企业级建模时,一篇新闻对多家企业的情感可能不同,不能拿新闻级别的一个标签套到所有企业上。
三件用之前要知道的事
没有独立的发布时间字段。 四个字段里只有 newscode,没有发布日期。想做时间序列或者事件研究,得自己从正文里抽日期,或者用 newscode 的号段去对齐,这一步没有现成字段可用。
样本是风险导向的。 新闻以行政处罚、诉讼、问询、亏损这类事由为主,正面样本几乎没有。拿它训练情感分类器,得到的模型擅长识别负面事件,不适合直接用来判断利好。
再分发要看两层许可。 仓库代码和数据打包采用 Apache-2.0,但新闻正文的著作权在原发布媒体,数据集作者没有、也无法代替媒体授权。自用研究一般没问题,把文本再对外分发或商用要单独核。
能做什么
- 企业风险预警:把 label_type 当事件类型,训练从新闻到风险标签的多标签分类。
- 企业级情感分析:以 institution 为单位建模,研究同一篇新闻对不同企业的影响差异。
- 大模型微调与评测:论文本身用 Longformer、ChatGLM、Chinese-LLaMA-Alpaca 等做过对比实验,仓库里的 src/sft.py 和 src/inference.py 是配套的训练与推理脚本。
- 标注数据入门:190 类标签、主体与相关方分离的结构,适合做标注规范设计的参考样本。
────────────────
数据集的 GitHub 地址、压缩包内文件结构、两个 JSON 的字段样例和获取步骤放在下面,回复后可见。
把经管之家装进你常用的 AI 智能体中 一键快捷安装经管之家 MCP/技能,让 AI 帮你查教程、找数据、读论坛帖子。 检索、阅读公开帖子不收费,安装可申请领取:3 通用积分+100 论坛币+3 元论坛资金 请点击查看安装教程与福利 → 说明: AI 算力按所用平台规则计算;附件按原帖条件获取;福利领取条件以活动页面为准。 |