Web2.0时代,深刻地影响了每一个人的生活,特别是自19年底的新冠疫情开始,互联网的重要性更加凸显。用户在互联网上对生活的分享产生了大量的主观性信息,这些数据数量庞大,并且每天以指数级增长,能否及时高效的获取分析其中的信息是当前的研究热点。受益于国内大环境,我国金融科技的发展遥遥领先世界平均水平,金融科技的快速发展正在淡化传统金融业务边界,防范化解可能带来的金融风险,甚至可能引发的社会风险,防止风险传导突破时空限制是一个重要课题。本研究通过建立基于命名实体识别和情感分析的金融新实体风险预警模型,构建了包含网络借贷中介、线上交易所等在内的金融新实体负面清单。以线下门面金融服务、遍布各处的金融广告为代表的传统经营形式正在逐步转移到线上,产生了大量的包含广告信息和用户主观性信息的互联网文本。尽管网络上的情感分析数据集质量很高,但都缺乏对文本所描述的主体进行的标注,在进行具体工作时往往会面临困难。现有研究主要关注于互联网金融风险演化、放大,甚至引发系统性金融风险的问题,对于散落在民间、具有互联网特质的P2P产品并不能很好地监测。首先,本文通过构建基于预训练语言模型的ERNIE-Doc-Bi LSTM-CRF命名实体识别模型,获取了每条数据所描述的主体,相比传统模型,ERNIE-Doc预训练语言模型从词向量出发,结合位置编码构建了独一无二的词向量,良好的解决了一词多义问题,精读略读机制很好的实现了长文本的处理,有效的捕捉了上下文信息,实验结果证明本模型在准确率、召回率、F1值上均有明显的提升。其次,针对当前中文情感分析中存在的长文本处理能力不足、中文语义对结果带来的影响等问题,提出一种基于双判别改进长短时记忆网络情感分析模型,模型内部的双向长短时网络层可以有效提取输入数据的上下文特征,同时通过加入隐马尔可夫判别层,捕捉数据的规律;对置信度低的判别结果进行二次判别,有效提升了召回率,自注意力机制的引入实现了对上下文特征的动态聚焦,对比其他模型在准确率、召回率和F1值上均取得了最优表现。最后在基于上述两个模型的基础上,本文构建了金融新实体风险预警模型,并对经过判别后的金融新实体负面清单进行了展示分析。