行业名家讲座 201706王彦博：从互联网金融到大数据金融（2017银行国赛分论坛） 从互联网金融到大数据金融-王彦博5.pptx

;根据半监督文本挖掘得到的人机料法环比例图能看到： 1. 数据中对于12家股份商业银行生产资料（产品服务）的评价比例最高，达到70%； 2. 不属于人机料法环主题的数据约占到10%，后续可以进一步分析。;以平衡计分卡战略管理 解读“人机料法环”;民 生 银 行 1067;; 在商业银行日常经营管理过程中，经常会产生大量非结构性文本数据。如何对这些文本数据进行分析挖掘，从中提炼出有价值的信息并加以有效应用，已经成为大数据时代商业银行需要解决的一项重要课题。 “半监督”文本学习技术应用是商业银行文本挖掘工作中的一个重要领域。以往的“半监督”文本学习主要是在给定全文本特征属性（基于分词）、给定少量明确类标样本以及大量无类标样本的情况下，对新出现的未知类标样本进行类别判断。然而在商业银行实际工作中，我们经常面临更加复杂的情形，需要在监督信息非常少且很不完整的情况下对给定的一个大数据文本集做分析归纳并提炼重要信息。依靠原本的“半样本”型（静态类标）技术不足以完成相关需求，我们需要“半类标”（甚至“半特征”? 基于混合方法每轮分词策略）型的文本（动态类标）增量挖掘与学习技术。 通过构建这样的“半监督”文本聚类技术，商业银行能够对文本主题、类别、关键词和样本之间的关系进行摆布和学习，从而实现对非结构性信息的结构化转换和提炼，相关应用对商业银行经营管理提升起到积极推动作用。 更进一步来看，通过“人机交互”的形式以相关技术辅助从业人员垂直“击穿”海量文本数据，从中快速提取关键词并形成体系、完善类标签体系、细化主题，从而得到高度归纳提炼信息，这改变了人们逐条阅读信息的知识获取方式！我们所介绍的“关于股份制商业银行（ 2014?2016 ）客户好评分析”工作总共涉及客户评价信息6,243条（包含38.75万字），得到当前结果的人工成本为1人天（8小时工作量）。;4;比特币;4.2 FinTech时代回顾与展望