4.3 文本的特征提取.pptx

大数据技术在会计与财务中的应用2026/9/7《大数据技术在会计与财务中的应用》配套课件第4章·4.3文本的特征提取

目录4.3.1正则表达式4.3.2文本常见指标的计算4.3文本的特征提取4.3文本的特征提取|02/30

想要了解一段文本的具体含义，必须首先读懂一段文本。然而，计算机是无法直接理解人类语言的——计算机只能识别“0”和“1”的区别。因此，我们需要将文本的特征抽象为数学表达，然后将这些数学表达输入到模型中供计算机处理。作为商科学生，我们不需要掌握这些计算机底层知识，本节主要介绍如何使用词典法计算一段文本的词和句子的数量，判断文本的情感和语气，以及分析一段文本的复杂度。这些基础性的工作虽然简单直接，但也是将非结构化文本数据转换为数值化特征的过程，是构建复杂的文本分析变量的基础。4.3文本的特征提取4.3文本的特征提取|03/30

4.3.1正则表达式正则表达式（RegularExpression或Regex）是一系列定义文本搜索模式的字符序列。正则表达式在各种文本处理任务中非常有用，包括识别特定的单词、短语、实体名称、数字、文本中的URL链接，将文本分割成句子，将句子进行分类等等。具体到学术研究领域，我们可以使用正则表达式在文档中识别正面和负面的词汇，然后计算其语调；将文档中的句子分类为前瞻性或与风险相关的句子；或者根据某