面向企業競爭情報的弱信號識別研究

楊波　邵婉婷

DOI：10.3969/j.issn.1008-0821.2021.09.006

[中圖分類號]G250.25 [文獻標識碼]A [文章編號]1008-0821（2021）09-0053-11

隨著中國市場經濟的蓬勃發展，企業與企業之間的競爭愈發激烈，從而形成對競爭情報的迫切需求。其中，弱信號識別是競爭情報前瞻性研究中的重要組成部分，為企業監控競爭對手，預測未來的機會與風險提供有益參考。弱信號與大多數信息一致，都是從大量的數據中提取而出，通過合理的推斷與聯系，形成對人類有價值的信息，但由于其具有預見性的特點，也被稱為預警信號。企業忽視弱信號就是輕視甚至壓制可能阻止錯誤決策的警示信號，如同駕車闖紅燈，定會導致失敗。因此，為使企業及時感知并準確識別出市場的機遇與威脅，制定利于長遠發展的管理決策，弱信號識別的研究至關重要。

目前，識別弱信號并預測未來情況已成為許多研究人員的目標，因此，許多技術用于從詞或文檔中獲得最大洞察力，但大多需要人類專家的協助檢測。如Griol-Barres Ⅰ等利用科學、新聞、社會來源的異構和非結構化信息對弱信號進行定量檢測，應用多詞共現分析法對人工挑選的部分關鍵詞進行分析，并通過自然語言處理提取準確的結果。Yoon J提出一種在專家給定關鍵字的前提下，基于文本挖掘的弱信號主題識別方法，并通過太陽能電池相關的網絡新聞報道，說明了該方法的可行性。鄧勝利等通過專家給定系數下的層次分析法和隸屬度函數對弱信號進行定量識別。

與此同時，學者們也著力于運用諸如深度學習和神經網絡之類的技術來充分對互聯網上不斷增加的文本數據進行預見性分析。自然語言處理技術（NLP）能夠很好地從文本數據中提取見解，其中單詞嵌入技術能精準地捕獲詞語之間的相似性和基于上下文預測單詞。Dieng A B等提出一種嵌入式主題模型，該模型將常規主題模型與單詞嵌入結合在一起。但是，與未標記的數據相比，這些技術在應用于標記的數據時可提供更好的結果。而在Web文章中檢測弱信號的情況下，文本數據通常沒有標簽。因此，基于深度學習的NLP技術不能確保弱信號檢測過程的完全自動化。

但是，傳統的主題建模技術顯示了其完全自動化的能力，并吸引了許多使用新舊方法的研究者。因此，本研究使用一種廣為人知的主題模型，即潛在狄利克雷分布（LDA）。LDA是一種無監督的機器學習技術，可根據輸入的文檔集及指定的主題數來獨立運行，不需要手工標注的訓練集，許多學者使用LDA檢測弱信號：Pepin L等使用動態LDA檢測弱信號，即對不同時間下的文本使用LDA算法提取主題，并使用主題演化的可視化散點圖來檢測弱信號;Gutsche T使用動態LDA來跟蹤弱信號隨時間的生命周期。

為充分地對企業弱信號進行自動化檢測，本研究構建了一種新的弱信號識別方法，對LDA主題模型生成的主題和術語進行過濾，僅提取文本集中的預警信號，以檢測出隱藏、重要且被限定為弱信號的單詞。同時，為彌補LDA詞袋模型的不足，增強模型結果的可解釋性，運用BERT方法對每個過濾后的主題文檔進行上下文的預測，以獲得更多與弱信號語義相關的單詞。本方法實現了全自動地識別文本弱信號，創新提出主題過濾和術語過濾雙層過濾函數，并引入BERT深度學習模型，彌補了單一模型在文本處理上的不足，為弱信號識別研究提供了新方法、新思路。并將模型應用于企業社交媒體新聞數據集，以檢測一段時間內的相關弱信號，為企業提供所處外部環境下的競爭情報信息，便于其及時捕獲市場動向，并預先制定危機管理方案與戰略決策目標。

1理論基礎

1.1弱信號

“弱信號”最早由Ansoff H在1975年提出，并將其定義為“未來可能發生變化的癥狀”。他認為弱信號是對外部或內部的警告，這些警告具有不完整性，無法準確預估其影響，一個組織要及時應對不確定的環境，就必須提前做好準備，對可能蘊含威脅和機會的信息跡象作出反應。此后，Coffman B、Kamppinen、Mendonca S等學者對弱信號的概念作出了進一步的補充，他們認為弱信號具有以下特征：不易追蹤，與夾雜的噪聲難以區分;瑣碎、易被忽視，卻對未來可能造成重大影響;未來改變和趨勢的早期線索。

我國弱信號的相關研究起步較晚，但也提出了相對深刻的見解。沈固朝認為弱信號是通過對組織競爭環境中跡象的觀察、業內人員意見的分析，對未來的趨勢波動做出早期判斷。單彬總結出弱信號“弱”的4大原因：①能被感知的弱信號量較少;②有效的信息難以被捕獲;③誤導或虛假信號與有效信息并存;④收集信號的成本和精力有限。趙小康指出弱信號在生長過程中表現漸趨明顯、確定性不斷增加、包含的有效信息量逐步豐富、作為決策依據的情報價值持續提高的4項主要特征。

通常，弱信號的檢測過程是半自動的，根據專家提供的關鍵字分析數據。如[24]在中，過程的一部分是手動執行的，而[5]則使用了基于關鍵字的挖掘技術。一些學者試圖實現全自動化弱信號識別來克服這一缺點。而弱信號檢測的全自動化研究尚處于起步階段，相關的論文和項目數量較少。Gutsehe T提出了一種運用動態主題建模和時間序列分析方法對弱信號進行自動檢測和預測，并取得較好效果。因此，本研究遵循與其相同的完全自動化方法，并在其基礎上對主題和術語進行雙層深度過濾，以獲得更好的弱信號識別效果。

1.2 LDA主題模型

LDA主題模型又稱為隱含狄利克雷分布，是在預先規定的主題數量下通過最大化詞語共現的概率從文本集中查找潛在和隱藏的信息，如在一篇新聞報道中“足球”“運動”之類的詞總是同時出現，即可把其歸為體育類。Blei D M等認為LDA能很好地對文檔主題進行抽取。

在弱信號識別領域，LDA被廣泛應用于隱藏信息的檢測，但莊穆妮等指出LDA詞袋模型的不足，即在LDA中一篇文檔僅為一組單詞的集合，詞與詞沒有先后順序，無法很好地結合上下文信息。Maitre J等提出運用Word2Vec方法增強LDA主題模型。Kahvun L等在比較NLP領域中Word2Vec和BERT算法時，發現后者更能體現詞語在語義和語法方面的復雜性，對解決一詞多義的問題更有幫助。因此，為了彌補LDA詞袋模型的不足，增強識別弱信號的可解釋性，在本研究中將引入BERT模型對LDA的處理結果進一步處理分析，使提取出的弱信號語義信息更精準。

1.3 BERT深度學習模型

BERT（Bidirectional Encoder Representations from Transformers，雙向Transformer編碼表達）模型由谷歌2018年推出，并在NLP領域11個方向的精度刷新上實現了突破性的進展。BERT以Transformer算法為主要框架，能更好地捕獲語句中的雙向關系，并使用遮蔽語言模型MLM（Mask Language Model）和句子預測NSP（Next Sentence Prediction）的多任務訓練目標，使模型的結果達到了全新的高度。其中BERT的模型結構如圖2所示。

在BERT模型中僅含有Transformer編碼器的Encode部分，而其中含有的MultiHead和Attention機制使其掌握并存儲了全文檔的語義和語法關系，能夠很好地對文本進行特征提取。同時，BERT基于Google預訓練集的Fine-tunning具有強大的遷移學習能力，在多項NLP任務中具有優異的表現。因此，本研究將運用BERT模型對經過主題過濾和術語過濾兩層過濾函數的LDA主題模型結果進行語義上的擴展，以獲取更多在語義上與提取出弱信號相近的單詞，增強模型的可解釋性。

2弱信號自動識別方法框架

2.1方法概述

目前，弱信號的識別過程缺乏自動化，大多研究依賴于手工輸入或專家意見。因此，為克服人類專家的干預，設計一個全自動弱信號識別方法，本研究考慮使用與主題建模相關的無監督文本挖掘技術。其中，LDA常用于從文本數據集中提取趨勢主題。與依賴關鍵詞進行弱信號檢測的研究相比，主題模型更多的是考慮單詞代表的意義，而不是其本身。本文運用LDA主題模型尋找可能導致弱信號的主題，但不接受所有主題中都含有弱信號，也不認為主題中的所有術語都為弱信號。因此，本文提出了主題過濾和術語過濾兩層過濾函數，用于僅提取潛在的弱信號，并運用BERT深度學習模型對弱信號進行擴展。

其方法框架如圖3所示。第一步，收集數據，本研究收集了一段時間的社交媒體新聞內容作為弱信號識別研究的輸入。第二步，弱信號識別，包括數據預處理和弱信號過濾兩部分。數據預處理是對收集的文本集進行去停用詞、分詞操作。弱信號過濾包括運用LDA主題模型識別主題、對提取出的主題和術語過濾，以尋找潛在的主題和弱信號。第三步，弱信號輸出，運用BERT模型詞嵌入來增強識別出的弱信號并輸出。

該方法具有如下優點：①泛化。提取出的弱信號不針對某一特定領域或主題，而是在指定的某段時間內應引起重視的預警信息，決策者可以根據自己的需求選擇相關的弱信號;②自動化。弱信號的提取過程中沒有人工干預，也不需要關鍵詞的幫助，全自動地對文本進行弱信號檢測。

2.2數據收集和預處理

弱信號識別任務中，文本數據集的質量與弱信號檢測結果的準確性、預見性有直接的關聯，本研究運用Python工具進行數據收集和預處理工作，基本步驟如下。

1）文本數據收集。運用網絡爬蟲技術，從互聯網中收集一段時間的新聞數據。本研究以社交媒體新聞為研究對象，因其具有傳播范圍廣、傳播及時性強、傳播速度快等特點，對弱信號識別而言是較優的數據源。

2）文本集清洗與分詞。對收集的新聞數據集進行基于中文停用詞表的清洗，目的是過濾其中不相關、無意義以及非文本的信息。并運用Jieba對清洗后的數據進行分詞，最終得到可用于系統輸入的數據集。

2.3基于LDA-BERT融合模型的弱信號自動識別

2.3.1 LDA主題模型訓練

LDA主題模型的主要挑戰之一是確定最優的主題數k。超參數α和β的值分別表示文檔主題密度和單詞主題密度，它們在建立主題和術語之間的一致性上發揮著重要作用。

目前，研究人員提出確定最佳主題數k的主流方法有困惑度法和一致性法。困惑度值越小，則主題分類的結果越優，但趙凱等學者在進行主題分類時發現隨著主題數量的增加，其模型困惑度值逐漸遞減，難以確認最佳主題數k。與此同時，黃佳佳等學者提出一致性法來權衡主題質量，并發現基于此提取出的主題具有較高的可解釋性，因此本研究遵循這種方法，并應用[34]提出的主題相關性度量值c_v確定最佳主題數。

為了找到一致性最高的模型，本研究采用控制變量法進行測試，每次運行僅改變主題數k的值，并保持其他參數值不變。使用c_v值作為一致性度量，并基于滑動窗口、標準化點互信息（NPMI）和余弦相似度確定其值，然后返回一致性度量最高的主題數k作為模型的最優結果。

2.3.2主題過濾

本節中提出的主題過濾函數，有助于評估主題含有弱信號的可能性，并用于對LDA主題模型提取出的主題進行過濾，該方法由Logistic函數推導而出。Logistic函數常用于說明人口的進步和增長，但在語言學中被用來模擬語言變化，一個邊緣的術語隨著時間的推移其傳播速度會增加，但如果它是弱信號，傳播速度增加后將仍處于邊緣狀態。

本研究定義如下3個度量函數以確定主題的弱性：緊密中心度、主題權重以及主題自相關函數。

第一個度量，緊密中心度。通過主題與主題之間的距離表示其相似性。許多距離度量可以用來計算相似性，如Jaccard距離、余弦距離和Hellinger距離。Pepin L等學者發現當距離測量呈現出S形變化時，能最有效地表示文本之間的相似度。基于此原則，本文選用Hellinger距離計算主題的緊密中心度。其中，h表示Hellinger距離。

第二個度量，主題權重。模型內相關主題的一致性代表著主題的意義分配。因此，本文基于主題z的一致性和所有主題一致性的總和來定義主題z的權重值W。其中，Coh（z）表示主題z的一致性大小。

第三個度量，自相關。自相關性是目前盛行的數據趨勢分析工具，趨勢分析是基于以往數據對未來可能發生情況的推測，它量化并解釋了隨著時間的推移混亂數據中的趨勢和模式。自相關描述了同一變量在不同時期之間的關系，即變量對應值與其滯后變量對應值線性相關。而在新聞數據集中，與某個主題相關的文檔頻率會隨著時間而改變，因此，每個主題在幾天內的自相關性可幫助過濾出可能不包含弱信號的主題。自相關函數AC定義如下，其中Coy（z）_k是主題z滯后k期的協方差。

利用上述3個度量函數組成評判主題弱性的函數WK，其函數值越低，主題內含有的術語越弱，但其當足夠低時也可定義為噪聲。定義主題z的弱函數WK（z）如下。

根據弱信號的定義，稀有是其主要特征，且隨著時間的推移，它們的運動是緩慢的。因此只有WK函數低值對應的主題才被認定為弱主題。根據帕累托原則，弱信號形成的信息不超過20%，且在[24]中人類專家定義噪聲的閾值范圍為0%～2%，表示文本中攜帶無意義信息單詞的概率。基于此，本文決定忽略WK函數的低值情況，并定義新的篩選閾值：噪聲低于1%，弱信號低于15%。下圖表示文本中的信號分布情況。

2.3.3術語過濾

基于定義的主題過濾函數能提取出可能包含弱信號的主題，但這些主題內的術語不一定都為弱信號，因此，本節將探討如何從這些術語中有效地提取弱信號。

Chuang J等提出獨特性和顯著性兩種術語衡量標準來判斷某一主題中術語所傳達的信息，以獲得可理解的主題。其研究發現，單詞由潛在主題生成的可能性與主題的邊際概率之間的差異產生了顯著性，而該顯著性是屬于總體頻率和獨特性的產物。同時，Sievert C等通過主題內不同術語的相關性以尋求該主題內最相關的術語，并取得相比于概率指標更優的結果。

綜合上述，基于術語在主題中的概率和術語與主題之間的相關性，本研究提出一種新的術語過濾函數PW（w），其中，NF（w）是主題z中術語w的歸一化頻率，φ（w）表示主題z中術語w的概率。

同時，基于2.3.2主題過濾中所述，弱信號具有稀有性，因此本文僅提取PW函數值在1%～15%的項。

2.3.4弱信號輸出

在主題過濾和術語過濾兩層過濾函數下，能很好地對弱信號進行識別與提取，此外，對結果的分析與理解也至關重要。而弱信號稀有、微量的特點導致提取出的弱信號較少，為進一步獲得與所提取弱信號相關的單詞，提高模型結果的可解釋性，本文使用BERT深度學習模型，將每個單詞看作一個向量，重建單詞上下文，使語料庫中共享公共上下文的單詞在語義空間上相互接近，并擴展與提取結果相似的弱信號。

本文遵循以往學者的研究，運用Google預訓練的BERT模型，將每個過濾的主題文檔作為模型輸入，在經過訓練后輸出與提取弱信號高度相似的單詞列表，以突出基于新聞數據集提取的弱信號，獲得更強的模型可解釋性。

3弱信號自動識別方法應用研究

弱信號在競爭情報中占有重要地位，多數企業也將弱信號識別作為其發展的重要目標。本研究將提出的基于LDA-BERT融合模型的弱信號自動識別方法應用于企業社交媒體發表的網絡新聞，以檢測一段時間內企業所處外部環境下的競爭情報早期預警信息。通過網絡爬蟲工具收集2020年11月1日—2021年1月的企業社交媒體新聞數據共計14486篇，并運用Python開源庫Jieba、Gensim等對其進行分詞、主題建模和自然語言處理等操作。

3.1 LDA主題模型訓練結果分析

為找到最優主題模型對應的主題數k，本研究運用Gensim庫中的LdaModel模塊和pyLDAvis可視化工具，通過計算不同主題數下的一致性度量c_v值及其主題分布情況進行綜合評判。

首先，本文對已進行清洗、分詞等預處理操作的2020年11月1日—2021年1月的企業社交媒體新聞數據集進行LDA主題建模。其次，運用控制變量法測量不同主題數k下的一致性度量c_v值，并設定k值的范圍為1～50。最后，綜合不同主題數k的一致性度量c_v值及其主題分布情況選出LDA主題模型對應的最優主題數。模型結果如圖5所示。

主題模型的一致性指數越高，其分類結果越優。在圖5中，當主題數量k值為5或9時，模型的一致性指數取得較高值，同時，通過比對不同k值下的主題分布情況，發現當一致性指數較低時（如k=20、34、50），其主題分布呈現出不均勻且主題大小差異性較大的特點。因此，通過綜合分析一致性度量c_v值及主題分布情況，本文認為企業社交媒體新聞數據集下的LDA主題模型最優主題數k值為9。

3.2主題過濾結果分析

對基于LDA主題模型提取出的9大主題，通過計算緊密中心度、主題權重以及主題自相關函數3大度量評判主題的弱性，過濾出可能包含弱信號的主題。

在本節中，首先計算每個主題與其他主題之間的Hellinger距離，得到一個9*9的距離矩陣以測量主題的緊密中心度。其次，運用Gensim庫衡量每個主題的一致性，并代人權重函數W（T）以確定主題的權重。最后，基于所有主題每天的文檔頻率計算主題的自相關函數，其中函數滯后期的確定較為關鍵。通常，非重疊時間序列的自相關性低于重疊序列的自相關性，且數據越不重疊，其自相關性越低，而大多用于趨勢分析的樣本之間沒有重疊，因此，觀測較長滯后期的變化是有益的。

在弱信號檢測中，本研究希望最小化主題過濾函數值，即IVK函數分母部分盡可能大，因此，擬通過設置較高的滯后期以減少時間序列之間的重疊周期，使得自相關函數AC最小化。因此，選擇所觀察數據周期的一半作為自相關函數的最佳時滯，即將滯后期定為15。

圖6～圖8分別顯示了2020年11月、2020年12月和2021年1月的主題過濾結果。圖中紅色標記的是可能包含弱信號的主題過濾結果，這些主題的IVK函數值高于結果集的1%，而低于結果集的15%。

以月為觀測周期，通過主題過濾函數從每月的9大主題中分別提取出T3、T7、T9 3個可能包含弱信號的主題，但這些主題內的術語并不都為弱信號，因此，本文還將通過術語過濾函數從其中抽取弱信號。

3.3術語過濾結果分析

LDA主題模型根據每個主題中術語出現的概率對其進行分組和排序。為盡可能地捕獲主題內的弱信號，需要從主題中獲取足夠多的術語。因此，基于主題過濾結果，本文分別從2020年11月主題T7、2020年12月主題T3和2021年1月主題T9中提取500個術語，并統計每個術語對應的文檔頻率.運用術語過濾函數從其中提取出弱信號。表1～表3分別列出主題T7、主題T3和主題T9的弱信號提取結果。

表中部分單詞已表現出與企業日常活動或所處環境的經濟態勢相關（已加粗），為增強模型的可解釋性，運用BERT算法對過濾出的術語進行上下文預測，最大化目標單詞的概率。

3.4弱信號提取結果分析

本文預挖掘某段時間內企業競爭情報相關的弱信號，盡可能地從社交媒體新聞數據集中獲得更大的洞察力。因此，為彌補LDA詞袋模型的不足，增強模型結果的準確性、可解釋性，使用BERT深度學習方法在語義上擴展過濾出的術語，賦予弱信號更多的情景信息與類似的單詞。表1中“協作”一詞與本文研究的內容略相關，對其進行擴展后，發現一些重要的弱信號，如“團結”“合營”“資源”“共享”等。

同時，信號的演變在提取結果中也得以顯現，如在2020年12月主題T3過濾的術語中，“持續”“惡化”“增加”之類的弱信號開始向“爆發”“感染”“復蘇”等詞轉變，而在2021年1月初主題T9過濾出的弱信號中已變為“緊急”“嚴重”“威脅”等詞，結合年初疫情暴發的背景.可挖掘出弱信號隨時間增強的特性。

此外，提取出的弱信號也為企業提供了相關競爭情報信息，本文將從企業外部環境經濟態勢和企業日常活動開展兩方面進行具體分析。

1）企業外部環境經濟態勢相關。如，2020年11月T7中提取出的“國際”，2020年12月T3中提取的“自貿區”“全球性”等都表現出我國經濟向著國際化方向發展的態勢。其中，“自貿區”源于東盟十國和中國、新西蘭、日本、澳大利亞、韓國共15個國家共同簽署的《區域全面經濟伙伴關系協定》，是當前世界經貿規模最大、人口最多、最具潛力的自由貿易區。與此同時，在2020年11月，中國上海舉辦的第三屆中國國際進口博覽會中，食品及農產品、汽車、技術裝備等6大展區中累計意向成交達726.2億美元。在此態勢下，企業應把握時代的契機，加強與其他國際企業之間的合作，尋求自貿區中可協同穩定發展的商業伙伴，并緊跟國家經濟政策，及時制定企業國際化發展戰略，向成為國際化優質企業進軍。

2）企業日常活動展開相關。如，2020年11月T7中提取出的“協作”一詞，運用BERT模型豐富其語義信息后，得到如“互助”“共贏”“資源共享”等詞。而在當月，蘋果、谷歌繼諾基亞、高通、三星、英特爾、LG電子等多家信息公司后也加入美國NeXt G AHiance 6G聯盟，表現出企業與企業之間加強合作、互惠互利更利于彼此的發展。此外，2020年12月T3中提取出的“媒體”一詞結合2021年1月中的“推廣”一詞，表示企業在互聯網時代下應注重其媒體推廣，結合其目標客戶媒體及推廣方式的偏好，有針對性地展開定向推廣活動。

綜合上述，本研究提出的基于LDA-BERT融合模型的弱信號識別方法很好地基于企業社交媒體新聞數據集檢測出企業外部環境經濟態勢和企業日常活動開展相關的弱信號，同時對其綜合進行分析與理解，發掘出弱信號隨著時間的推移，部分在語義上會逐漸增強的演化特性，為企業決策者進行危機預警和戰略決策管理提供有益參考。

4結語

本研究提出一種基于LDA-BERT融合模型的弱信號自動識別系統。運用無監督學習算法LDA對預處理后的企業社交媒體新聞數據集進行主題分類，并提出主題過濾和術語過濾雙層過濾函數分別用于從LDA主題模型結果中過濾出可能包含弱信號的主題，以及僅從主題中提取可能為弱信號的術語。其中，主題過濾基于3大度量函數評判主題的弱性：緊密中心度用Hellinger距離衡量主題與主題之間的相似性，主題權重以一致性大小衡量主題的重要性，自相關性在設定的滯后期下觀測主題隨時間的演變。本研究不接受主題過濾結果中的術語皆為弱信號，因此運用術語過濾函數，以主題內術語的歸一化概率和術語對應的文檔頻率構建模型，僅保留其中潛在的弱信號。最后，為彌補LDA詞袋模型的不足，增強模型的可解釋性，將雙層過濾函數的結果輸入BERT深度學習模型，并輸出一系列早期預警信號，可在語義上擴展單詞，豐富提取出的弱信號，從上下文中賦予其更多含義。

對該模型進行測試，以識別一段時間內企業競爭情報相關的弱信號。利用2020年11月—2021年1月的企業社交媒體新聞數據集，本文成功檢測出如“自貿區”“國際”“協作”“推廣”等與企業外部環境經濟態勢和企業日常活動開展相關的弱信號，并以月為周期對提取出的弱信號進行綜合分析，發現其隨著時間的推移，部分在語義上會逐漸增強的演化特性。本模型解決了當前弱信號識別領域研究人工參與較多、主觀性較強的問題，實現了全自動化的弱信號檢測過程，大大減少了人類專家的時間和成本。同時提出LDA-BERT融合模型及雙層過濾函數，在既保障僅提取相關弱信號的前提下，又充分合理地對弱信號在語義上進行擴展，使模型結果具有較高的解釋能力，為情報搜集工作中的弱信號檢測提供了新方法、新思路。

此外，本研究仍存在些許不足，由于弱信號與噪聲都具有微量、當前意義不明確、運動緩慢的特點，導致文本去噪工作開展得不夠完全。本研究通過設定較長的滯后期，運用其自相關性能有效的過濾出部分文本噪聲，同時也可能過濾出少許有一定價值的弱信號，不能完全無損的從文本集中對其進行提取。因此，未來將著重研究弱信號識別領域的文本去噪工作，為決策者提供更精準的預警信息。