投资要点是人们进行投资决策的重要信息来源,一般出现在公司研报首页。除了投资要点,首页还包含股票名称、股票代码、标题、分析师信息以及图表数据等。金融机构发布的公司研报大多为PDF格式,而PDF文档中的文本不便于直接处理。另外,基于规则或基于模型的方法提取公司研报投资要点的准确率不高。基于以上问题,本文通过分析公司研报的版面布局结构,并借鉴VIPS算法,提出了一种公司研报投资要点的提取方法,该方法的主要工作包括两个部分:(1)基于视觉线索的PDF页面分块算法的设计与实现。通过对PDF文档的逻辑结构、物理结构以及基本对象的研究,本文借助PDFBox解析PDF文档,并将相关信息封装到本文所设计的数据结构中。然后,通过分析公司研报首页版面的布局结构以及PDF页面分块与网页分块的相似性,本文基于同一语义内容在PDF页面中具有相同或相似的视觉表现,设计了基于视觉线索的PDF页面分块算法,主要包括分隔条检测,分隔条打分以及块的重构。在分隔条的打分策略中,本文设计了23条规则;而在块重构方面,本文设计了5个参数用于调整PDF文档的分块粒度以及深度。(2)基于PDF页面分块提取公司研报投资要点。在PDF页面分块的基础上,本文设计了各语义块的标签,充分利用块的显示特征、位置特征以及文本特征作为训练SVM的数据,然后通过对比实验确定核函数的选择并使用网格搜索和交叉验证来优化模型。最后,本文通过将SVM与规则相结合来提取公司研报投资要点。提取1000篇公司研报投资要点的实验结果表明,本文所提出的PDF页面分块算法对于公司研报的投资要点提取工作是有效的,F1指标提高了18.6%;另外,基于SVM和规则的组合方法比基于单一方法的表现更好,精确率、召回率和F1均达到了93.8%。