EDGAR 是美国证券交易委员会（SEC）的电子数据收集、分析和检索系统。EDGAR系统允许公众通过互联网访问公司提交给SEC的各种文件，例如注册声明、年度报告和其他披露文件。这些文件包括公司的财务信息、业务信息和其他关键信息，对于投资者和研究人员来说非常有用。

金融等方向的同学，如果想用 词嵌入 技术开展研究， 可以考虑使用这个开源的数据集。

一、EDGAR-CORPUS

在 EMNLP 2021同时举办的经济与自然语言处理研讨会（ECONLP）论文集中， 发布了EDGAR-CORPUS，这是一个新颖的语料库，包括美国所有上市公司超过25年的年报。

【资料图】

所有报告都已下载，拆分为相应的项目（部分），并以清洁、易于使用的JSON格式提供。

1.1 下载数据

https://zenodo.org/record/5528490

1. 2 引用格式

Lefteris Loukas, Manos Fergadiotis, Ion Androutsopoulos, & Prodromos Malakasiotis. (2021). EDGAR-CORPUS [Data set]. Zenodo. https://doi.org/10.5281/zenodo.5528490

二、EDGAR-W2V Embeddings

EDGAR-W2V 是在 EDGAR-CORPUS 上训练的词嵌入模型。它是一个200维的模型，包含 10 万个金融词汇。EDGAR-W2V的相关信息可以在题为“EDGAR-CORPUS: Billions of Tokens Make The World Go Round”的论文中找到，该论文发表于2021年EMNLP会议上的经济学和自然语言处理研讨会（ECONLP）。

1.1 下载模型

https://zenodo.org/record/5524358

1. 2 引用格式

Lefteris Loukas, Manos Fergadiotis, Ion Androutsopoulos, & Prodromos Malakasiotis. (2021). EDGAR-W2V Embeddings. Zenodo. https://doi.org/10.5281/zenodo.5524358

三、代码3.1 导入词汇表

vocab=open("edgar.word.w2v.200.vocab",encoding="utf-8").read().split("\n")print("词汇量:",len(vocab))#显示前100个print(vocab[:100])

Run

词汇量:100000["the",",","of",".","and","to","NEWLINETOKEN","in","a","for",......"including","accounting","operating","1","fair","also","credit","capital","notes","securities","rate"]

3.1 导入W2V模型文件

edgar.word.w2v.200.bin只存储了

fromgensim.models.keyedvectorsimportKeyedVectorsedgar_wv=KeyedVectors.load_word2vec_format("edgar.word.w2v.200.bin",binary=True,unicode_errors="ignore")

查看某个词的词向量, 返回长度200维的向量

print(edgar_wv["stock"].shape)edgar_wv["stock"]

Run

(200,)array([0.19913645,-0.06109103,-0.20294489,-0.3233174,0.33050874,0.4720499,0.1584721,-0.73845965,-0.320686,-0.03934,0.24570467,0.33919033,-0.42398626,-0.0519694,0.5614962,0.06250261,0.12337335,0.4284085,-0.18471783,0.27163157,-0.25374356,-0.30515426,-0.53030056,0.14488244,0.23602249,0.17834061,0.5282402,0.35811898,0.02480956,-0.27537134,0.46796346,0.14656937,-0.24058165,-0.02558263,0.2823333,0.13227813,-0.35262054,-0.3534915,-0.08498703,0.13652588,0.19062333,-0.59584695,0.4724787,0.0899151,-0.30575767,0.0894967,-0.42695883,0.14332667,0.32162446,0.5205731,-0.34024504,-0.15563595,0.09534936,-0.03550521,-0.24585967,-0.70967376,0.23757844,0.19296522,-0.14549816,-0.34093133,0.44992575,-0.31520963,-0.19251363,-0.2664489,0.22087495,-0.0226051,0.02213453,-0.31526777,0.02245333,0.01845511,0.4727852,0.0823371,-0.28313273,-0.96016574,-0.34687626,0.31235287,-0.2581088,-0.7164211,0.6806588,0.31276935,-0.166056,-0.5558513,0.10650715,-0.34121472,0.01264491,0.3823984,-0.6213977,0.532256,-0.11913523,0.22344823,0.3172406,-0.08887295,0.14381133,0.23814514,-0.09513577,0.10691381,0.13318019,-0.10131137,0.51121044,-0.13446783,-0.34249052,0.21858525,-0.66716367,-0.1002802,0.1822924,-0.17896068,0.36693272,-0.26906306,0.16348957,0.309529,-0.5283489,0.38473064,-0.4563293,-0.36093566,0.02899153,-0.16942917,-0.24810787,0.04769324,0.07288674,0.05372427,-0.21368156,-0.2308374,-0.47956762,0.26331866,0.08796341,0.0316316,-0.04519949,0.03246075,-0.06966034,0.08757813,0.16438614,-0.16775173,-0.10321777,0.21712255,0.1252789,-0.34793332,0.01499637,-0.32516828,0.15845637,-0.1023875,-0.05895114,-0.08138125,0.08420486,-0.18958494,-0.22417304,0.5160968,0.13966903,0.17438166,0.13805066,-0.1817818,0.09644702,-0.34120768,0.36722133,-0.06767058,-0.3896219,-0.1555085,-0.07321457,-0.24285823,-0.23933856,0.26198393,-0.12067977,0.4152437,-0.5361226,0.02143142,-0.47723222,-0.27638227,-0.272431,0.27474684,0.02058701,0.398542,0.12495182,-0.43948382,-0.41649124,-0.10416509,-0.013862,0.2630676,0.0534305,0.26379627,-0.33174622,0.30189517,0.13504176,-0.09992695,0.6300687,-0.14120325,-0.04877585,0.3973992,0.50578755,0.07440792,-0.10353652,-0.60702443,-0.09498709,0.1284441,-0.13405691,-0.19467972,-0.09931252,-0.28807166,-0.49167937,0.501096,0.41336802,-0.4281704],dtype=float32)

四、相关内容

如果想了解更多词嵌入(或词向量)信息，可以阅读:

转载 | 大数据时代下社会科学研究方法的拓展——基于词嵌入技术的文本分析的应用

转载 | 从符号到嵌入：计算社会科学的两种文本表示

词嵌入技术在社会科学领域进行数据挖掘常见39个FAQ汇总

词嵌入测量不同群体对某概念的态度(偏见)

Management Science | 使用网络算法识别创新的颠覆性与否

可视化 | 词嵌入模型用于计算社科领域刻板印象等信息（含代码）

PNAS | 使用语义距离测量一个人的创新力(发散思维)得分

豆瓣影评 | 探索词向量妙处

whatlies库 | 可视化词向量

中文词向量资源汇总 & 使用方法

NLP资源 | 汽车、金融等9大领域预训练词向量模型下载资源

更多内容请收藏博客站点textdata.cn

精选文章

管理世界 | 使用文本分析词构建并测量短视主义
管理世界 | 使用 经营讨论与分析 测量 企业数字化指标
管理世界 | 用正则表达式、文本向量化、线性回归算法从md&a数据中计算 「企业融资约束指标」
可视化 | 词嵌入模型用于计算社科领域刻板印象等信息（含代码）
赶快收藏 | 社会科学文本挖掘技术资料汇总
B站社会科学文本分析视频合集
词嵌入技术在社会科学领域进行数据挖掘常见39个FAQ汇总
文本分析 | 中国企业高管团队创新注意力(含代码)
文本分析 | MD&A信息含量指标构建代码实现
金融研究 | 使用Python构建「关键审计事项信息含量」
支持开票 | Python实证指标构建与文本分析
金融研究 | 文本相似度计算与可视化
转载 | 社会计算驱动的社会科学研究方法
推荐 | 社科(经管)文本分析快速指南
视频分享 | 文本分析在经管研究中的应用
转载 | 金融学文本大数据挖掘方法与研究进展
转载 | 大数据驱动的「社会经济地位」分析研究综述
使用 Word2Vec 和 TF-IDF 计算五类企业文化
如何用「图嵌入」将企业、高管职业经历表征为向量数据
JM2022综述 | 黄金领域: 为营销研究(新洞察)采集网络数据
可视化 | 绘制《三体》人物关系网络图
MS | 使用网络算法识别创新的颠覆性与否
认知的测量 | 向量距离vs语义投影
Asent库 | 英文文本数据情感分析
PNAS | 文本网络分析&文化桥梁Python代码实现
PNAS | 使用语义距离测量一个人的创新力(发散思维)得分
tomotopy | 速度最快的LDA主题模型
数据集 | cctv新闻联播文稿数据
数据集 | 睡前消息文稿数据集
2G数据集 |  80w知乎用户问答数据

关键词：