Skip to content

classification-contract.md

Latest commit

 

History

History
186 lines (147 loc) · 11.9 KB

classification-contract.md

File metadata and controls

186 lines (147 loc) · 11.9 KB
Raw

分类口径与交付映射

1. 目的

本文把桌面文档 /Users/tim/Desktop/事件分类框架4.13.docx 拆成可落库、可交付、可建模对接的口径说明，服务于当前 非 int_ 正式表层。

本文解决三件事：

  1. 冻结当前交付层的分类口径。
  2. 说明 DOCX 分类框架如何映射到现有正式表字段。
  3. 标出当前已实现、待补数、待扩展的缺口。

2. 适用范围

2.1 正式交付表（source of truth）

  • structured_events
  • companies
  • company_profiles
  • event_company_links
  • company_relations
  • stock_daily_quotes
  • market_environment_daily
  • sentiment_propagation_daily
  • event_research_samples

2.2 内部表（不作为最终交付契约）

所有 int_ 开头的表只作为内部加工、对齐、增强、训练支撑层使用。

3. 本次冻结采用的判定原则

  1. 非 int_ 表优先：分类口径优先落在正式表字段，不先重构内部表。
  2. 先兼容现状，再预留扩展：
    • v1 有效口径：当前正式表已经承载、当前代码已经产出。
    • v2 预留口径：DOCX 已提出，但现有正式表仍未完整承载。
  3. 字段不乱改名：优先通过字典、说明文档、枚举冻结来统一语义。
  4. DOCX 中“突发类”不提升为一级主体：统一归入 shock_source_type，不与 event_subject_type 并列。
  5. 粗粒度字段继续保留：如 industry_type、impact_scope 先保持 v1 粒度，细分行业/跨资产影响放到 v2 扩展。

4. 当前交付层 v1 有效分类字典

下表表示：当前正式表已经有字段承载，且线上库已经出现过这些值。

维度 正式字段 v1 有效值 主要表
事件驱动主体（一级） event_subject_type 政策类 / 公司类 / 行业类 / 宏观类 / 地缘类 structured_events, event_research_samples
影响持续周期 duration_type 脉冲型 / 中期型 / 长尾型 structured_events, event_research_samples
可预测性 predictability_type 突发型 / 预披露型 structured_events, event_research_samples
事件极性 sentiment 利好 / 利空 / 中性 structured_events, event_research_samples
时间导向 time_orientation future_oriented / current_confirmed / retrospective structured_events, event_research_samples
事件阶段 event_stage 预期 / 确认 / 落地/执行 / 反馈 structured_events, event_research_samples
冲击源类型 shock_source_type 自然灾害 / 公共卫生 / 安全事故 / 地缘政治 / 政策制度 / 技术系统冲击 / 其他 structured_events, event_research_samples
区域范围 region_scope domestic / regional / overseas / global structured_events, event_research_samples
影响范围（粗粒度） impact_scope 个股链条 / 行业 / 全市场 structured_events, event_research_samples
影响层级数值化 impact_level_score 1~4（当前实现） event_research_samples
事件可信度 source_credibility_score 数值分，当前建议按 3/2/1 对齐 DOCX structured_events, event_research_samples
强触发词得分 trigger_word_score 非负整数 structured_events, event_research_samples
明确性得分 explicitness_score 非负整数 structured_events, event_research_samples
不确定性得分 uncertainty_score 非负整数 structured_events, event_research_samples
新颖度 novelty_score 0~100 数值分 structured_events, event_research_samples
金额尺度 amount_scale 当前为文本枚举位，默认 none structured_events, event_research_samples

5. 需要立即补齐字典、但不必先改主表的口径

下表字段已经存在于正式表，但当前字典化不充分，需要先冻结说明，再做补数。

维度 正式字段 v1 建议冻结口径 状态
信息来源渠道 source_type 官方文件 / 监管/交易所 / 公司公告 / 主流财经媒体 / 其他来源 已有字段，需补字典
信息来源渠道（v2 预留） source_type 行业协会 / 社交媒体转发 预留扩展
权威等级 authority_level central / ministry / exchange / listed_company / top_media / general_media 已有字段，需补字典
权威等级（v2 预留） authority_level industry_association / social_media 预留扩展
事件驱动主体（二级） event_subject_subtype 见下文二级分类冻结表 已有字段，需补字典

5.1 二级主体分类冻结表（v1）

event_subject_subtype 建议按一级主体做冻结；当前库内已出现值与 DOCX 语义对齐后，先收敛为下表：

一级主体 event_subject_subtype v1 建议值
政策类 产业政策 / 监管政策 / 财政税收 / 货币金融 / 补贴政策 / 行业规范 / 未细分
公司类 业绩公告 / 重大合同 / 产能投产 / 产品发布 / 高管变动 / 股权变动 / 诉讼仲裁 / 回购增持 / 未细分
行业类 供需价格 / 展会峰会 / 技术标准 / 进出口政策 / 行业整合 / 未细分
宏观类 宏观数据 / 未细分
地缘类 贸易摩擦 / 国际制裁 / 区域冲突 / 外交关系 / 国际公约 / 未细分
冲击补充 公共卫生 / 安全事故 / 自然灾害 / 技术系统冲击（若当前分类器仍落到二级主体，先允许入字典）

说明：

  • DOCX 中的 财政政策 + 税收政策，当前库先并入 财政税收。
  • DOCX 中的 货币政策，当前库先并入 货币金融。
  • DOCX 中的“突发类”相关项，不作为一级主体；优先进入 shock_source_type，必要时在 event_subject_subtype 保留兼容值。

6. DOCX 分类框架到当前正式表的映射

DOCX 模块 当前正式字段 当前正式表 映射方式 覆盖情况
事件驱动主体（一级） event_subject_type structured_events, event_research_samples 直接映射 已覆盖
事件驱动主体（二级） event_subject_subtype structured_events, event_research_samples 直接映射，但需冻结枚举 部分覆盖
信息来源 source_type structured_events, event_research_samples 直接映射 部分覆盖
权威等级 authority_level structured_events, event_research_samples 直接映射 部分覆盖
信源可信度 source_credibility_score structured_events, event_research_samples 数值映射，建议按 3/2/1 已有字段，需统一打分口径
影响持续周期 duration_type structured_events, event_research_samples 直接映射 已覆盖
可预测性 predictability_type structured_events, event_research_samples 直接映射 已覆盖
事件极性 sentiment structured_events, event_research_samples 直接映射 已覆盖
时间导向 time_orientation structured_events, event_research_samples 直接映射 已覆盖
事件阶段 event_stage structured_events, event_research_samples 直接映射 已覆盖
冲击源类型 shock_source_type structured_events, event_research_samples 直接映射 已覆盖
强触发词 / 明确性 / 不确定性 / 新颖度 trigger_word_score / explicitness_score / uncertainty_score / novelty_score structured_events, event_research_samples 数值特征映射 已覆盖
金额规模 / 金额相对规模 amount_scale structured_events, event_research_samples 当前仅保留尺度位，未完整细化 部分覆盖
影响层级 impact_scope + impact_level_score structured_events, event_research_samples 粗粒度文本 + 数值化 部分覆盖
涉及公司数量 affected_company_count event_research_samples 训练样本层承载 已覆盖
涉及行业数量 affected_industry_count event_research_samples 训练样本层承载 已覆盖
产业链覆盖环节数 暂无正式字段 - 需落到图谱/样本增强层 缺口
区域覆盖范围 region_scope structured_events, event_research_samples 当前仅粗粒度文本 部分覆盖
市场覆盖范围 暂无正式字段 - 需在 v2 补充 缺口
舆情热度 mention_count / media_count / heat_score / heat_growth_rate / heat_duration_days sentiment_propagation_daily 直接映射 已覆盖
舆情情绪分歧 disagreement_score / sentiment_std / source_stance_divergence sentiment_propagation_daily 直接映射 已覆盖
机构预期分歧 暂无正式字段 - 需接研报/一致预期数据 缺口
交易行为分歧 暂无正式字段 - 需接更完整行情与盘口数据 缺口
公司图关系 event_company_links / company_relations 正式表 事件-公司边、公司-公司边 已有骨架
市场环境 market_environment_daily 正式表 指数/广度/热度环境表 已有骨架

7. v2 预留扩展（DOCX 已提出，但当前正式表不宜直接硬改）

以下内容应视为 下一阶段扩展口径，暂不直接破坏 v1 正式表契约：

维度 DOCX 建议 当前处理方式
影响持续周期 反复催化型 暂列 v2 预留，不立即改 duration_type
可预测性 渐进演化型 暂列 v2 预留，不立即改 predictability_type
行业属性 医药 / 金融 / 地产建材 / 周期资源 / 交通运输 / 农业食品 / 公用事业 / 传媒通信 等 先保持 industry_type 粗粒度，后续通过行业映射表扩展
影响范围 跨行业 / 跨市场 / 跨资产 先保留 impact_scope 三档；后续增加辅助字段
地域范围 省市国家数量 先保留 region_scope；后续再加 count 类字段
市场覆盖范围 A股/港股/美股/期货/债券 需要新增正式字段
机构预期分歧 一致预期标准差、离散系数 需要外部研报/一致预期数据源
交易行为分歧 盘口、大单、资金流、振幅博弈 需要更完整行情/资金流数据

8. 当前库状态对应的结论（2026-04-16 快照）

  1. structured_events 已经承载了大部分事件分类主字段。
  2. event_research_samples 已把多数事件分类字段带入训练样本层。
  3. sentiment_propagation_daily 已能承接 DOCX 中“热度/分歧度”这部分口径。
  4. company_relations、event_company_links 已形成图边骨架，但仍偏轻量。
  5. 当前最需要先做的不是大改主表，而是：
    • 补齐分类字典
    • 冻结二级分类口径
    • 然后按冻结口径扩充正式表数据

9. 推荐执行顺序

P0：先做字典冻结

  1. 扩充 label_dictionary，至少覆盖：
    • event_subject_subtype
    • source_type
    • authority_level
    • sentiment
    • event_stage
    • time_orientation
    • shock_source_type
    • region_scope
    • impact_scope
  2. 用本文作为正式口径说明，不直接重命名主表字段。
  3. 后续分类器、QA、样本构建统一按本文解释字段。

P1：再做正式表补数

  1. company_profiles：上市日期、地区、国企标签、员工、股本。
  2. stock_daily_quotes：成交额、换手率、复权因子、涨跌停判定。
  3. market_environment_daily：北向资金、多指数、行业指数、融资融券。
  4. company_relations：供应链、持股、同实控人、同概念等关系边。

P2：最后做 v2 扩展

  1. 细行业枚举。
  2. 跨市场/跨资产影响字段。
  3. 地域/产业链覆盖数量字段。
  4. 机构预期分歧与交易行为分歧字段。

10. 结论

对当前项目来说，最稳妥的推进顺序是：

先冻结正式分类字典与字段语义，再补正式表数据，不先大改非 int_ 主表结构。