人工知能の規律の誕生の初めから、自然言語処理（NLPは）人工知能研究課題の中核の一つです。NLPの重要性は、特徴である自然言語コミュニケーションの高度な人間とコンピュータのインタラクションを実現することが可能であることは間違いありません、テキスト形式で記録されたすべての人間の知識を「読む」ことができ、マシン、および高レベルのインテリジェンスサービスの基盤とキーを数多く提供しています技術。
現在最もNLP NLPモデルBERT（トランスフォーマーから双方向エンコーダRepresenta - ション）の分野で視聴するグーグルの数、それは大規模な横断的なコーパスおよび超高計算能力によって、トランスフォーマーに基づいている、マルチタスクプレトレーニングによって10の以上の異なるNLPタスクで最高レベルに到達します。
金融セクターでは、NLP技術の役割は、マクロ、産業界およびマイクロニュース、分析や意思決定（特に投資決定）の様々なタイプに関連する情報の統合の質量、から自動検出などが、最初のテキスト検索技術により、関連する情報へのすべてのアクセスのうち、その後、この情報最終リファインすることと、それが意思決定および予測に貴重な情報をタイムリーに提供し、将来の動向に関連するようになります非構造化テキスト、構造化された情報から意味解析技術により抽出されました。
：また、金融インテリジェンスの新しいホットウェーブになってきている技術と機械学習技術のNLPの組み合わせは、首尾含め、多くのシナリオに適用されているスマート顧客サービス、インテリジェントな投資調査、投資顧問、スマート、インテリジェントなリスクコントロール、インテリジェントモニタリング、インテリジェント操作のように。
外国人の注目すべきアプリケーションのこの側面は、次のとおりです。ウォール街の巨人は、金融や退職金制度（同様の財務マネージャーの役割）を開発、ヘルプクライアントに技術を学び、自然言語処理と機械を使うようになった。新しいを作成するためのテクニックを学ぶマサチューセッツ工科大学の融合マシンビジネスモデルは、投資の安全性を向上させるために金融サービスを再定義して、オーストラリアの金融サービス会社が監視し、会社を規制自動的に自然言語処理技術を使用してみてください。
現在、NLP技術、金融セクターが試みと探査の数は、まだ開発の初期段階で実施されていると、解決すべきいくつかの困難がありますが。
BERT NLPは効果的に財政問題を解決することができますか？
財政が非常に分野を特化して、多くの単語や表現は、金融および専門語彙の文脈の中で特別な意味を持っているいくつかの他のテキストを見ることは困難です。NLPでのデータセットの不足が原因と金融部門の専門性の高いされており、現在、金融セクターのアプリケーションが直面する問題の一つです。
また、金融セクターは、イベント、評価および結果の分析はまた、他の分野とは異なる方法で処理されるの独自の理解を持っています。このように、従来の再定義ミッションの目的及び評価方法であるために、金融セクターの必要なタスクを処理し、自然言語、およびNLPのソリューションを成熟していないだけかもしれ情報分析と金融セクターの処理のための需要を満たすためにカスタマイズされた単純なテキスト。
そして、多くの伝統的なNLPタスクにBERTの大幅なアップグレードをした、金融NLPそれの問題を解決することができますか？これは、多くの人が心配している問題で、しかし一瞬ほとんど効果を有することができます。BERTは、純粋で自然言語モデル自体に表明した懸念に焦点を当てて設計されていますが、タスク自体または密接にビジネスの特定の分野でされているので、その貢献は小さいです。
まだ実験への金融セクターのBERTとトランス特定のタスクの正確な影響を知っておく必要がありますが、それを期待することができますが、その原因推論能力は、そのような解釈可能先天性欠損症の欠如、市場でのニュースなどの入力の長さの制限の側面、の欠如に影響評価は、イベントの因果関係は、タスク指向の文脈依存の対話、テキスト要約、インテリジェント勧告ので、限らに影響を与えることがわかりました。
二つのアイデアは、金融NLPを進めました
「NLP」と「知識マップ」として、金融技術「ジェミニ」の分野では、金融のシナリオの分野における二つの重要な技術の高さと一致していることが非常に望ましいという考え、ある、二つはお互いに依存しているが、お互いを補完します。前者は常に前者と比べて、バックグラウンド・サポートを提供し、後者の内容を豊か。
不过，在“NLP+知识图谱”这两个“双子星”中，还应加上“智能推理”一环，从而形成“语义理解+知识支撑+动态推理”的“三驾马车”。因为如果模型缺乏推理能力，欠缺揭示分析结果深层原因的“可解释性”，对于金融这种需要“刨根问底”的领域容易引发“灾难后果”。
知识图谱一般认为仅存储静态的知识，静态的知识需要与动态的推理规则相结合才能推导并得出新的认识和结论，发挥所构建知识库的最大效用。虽然目前已经提出“事理图谱”概念，其是否属于动态知识仍有待商榷。引入“智能推理”可以形成事实到结论之间的推理链条，从而能够对所得结论进行必要的解释。
例如，引入类似“原材料供应紧张 → 生产成本上升 → 净利润下降 → 股价下跌”反映专业知识的规则与推理不仅可以引导模型学习的方向，缩小的搜索空间，还可以作为先验信息，进行更为合理的贝叶斯统计推断。
经验主义、理性主义缺一不可
一般认为，NLP主要有两种研究思想和方法，第一种是理性主义方法，其主要思路是通过归纳语言学规则来分析和生成语言，优点是语言表达结构和组成成分可以借助规则直接清晰地表示出来，但规则过于“刚性”会导致无法处理例外情况、鲁棒性差、规则获取和更新代价高等问题。
另一种研究方法是经验主义方法，主要是采用机器学习（特别是统计学习）从语料集中自动或半自动地获取语言学统计知识来构建模型，然后对新的文本进行推断。目前最热门的深度学习也属于经验主义方法，近年来取得了快速进展和广泛应用，在学术界和企业界备受瞩目。
对于金融领域的NLP应用来说，经验主义和理性主义这两方面不应是“离异”状态，而应该积极的“联姻”，就如哲学家培根所主张的，既反对狭隘的理性主义，也反对纯粹的经验主义。具体说来，以逻辑推理为代表的符号主义与神经网络为代表联结主义的深度融合应是未来最具发展潜力的方向之一。
現在、自然言語の深い理解でNLP技術は、そこに、このような正確な曖昧さ回避の範囲内の章を参照してくださいどのように扱うかのように、まだ宇宙探査の多くで、正しくアナロジーを理解するためにどのように、比喩と隠喩のように。金融NLPの経験主義と合理主義の統合により研究方法を強化し、さらに知識マップ、インテリジェントな推論と組み合わせて、より多くの問題が解決されることを期待しています。