随着人工智能和金融证券市场的迅速发展,金融领域智能化研究受到越来越多研究者的关注,但面向用户投资历史回放阶段的智能化研究较少。许多没有证券投资经验的新用户,从复杂的历史投资数据中分析典型的投资案例是繁琐困难的。因此,通过智能化点评系统分析用户的历史投资数据并生成对用户投资行为的点评报告,能够帮助投资者总结经验教训,提高效率,从而更好的理性投资。本文提出面向用户操盘回放的自然语言点评任务,即依据用户特定时间段内的投资行为数据生成点评报告。本质上,该任务可退化为基于时序投资数据的文本生成任务。与主流的数据到文本生成任务不同的是,操盘回放场景下点评任务的输入数据和输出文本都具备时序关联的特点。该任务主要面临两个挑战:在数据层面,由于金融用户投资数据的隐私性,任务相关的金融标注数据较少,并且根据用户的历史投资数据构造相对应的点评文本需花费大量的人力、物力和时间;在技术层面,如何对复杂且时序变化的投资数据进行建模并生成与客观事实相一致的文本是构建智能点评系统最大的技术难点。为解决用户投资行为数据集缺失问题,本文爬取海知平台活跃用户一个月的模拟投资数据,让经过智能证券投资课程培训的人员依据专家既定的点评标准进行人工标注,最终得到一个小样本的基于用户投资行为数据的中文自然语言点评数据集。为在小样本数据集基础上构建智能的点评系统,本文首先依据专家既定的点评标准及用户投资过程中的重要信息搭建了点评系统,它采用重要信息排序与模板槽位填充相结合的生成方法。其次,采用迁移学习方式,本文将自主预训练的大规模中文序列到序列的生成模型C-BART在点评任务上迁移微调。为了能够准确捕捉投资数据的重要信息,本文将规则点评系统生成的非结构化文本和结构化投资数据相结合,提出了融合多方面异质信息的规则文本增强的点评网络。此外,为了让模型能够充分捕捉到结构化投资数据的重要特征,本文也提出了两种弱监督标签数据分阶段微调大规模预训练模型的训练方法。综上所述,针对面向用户操盘回放的自然语言点评任务的两个挑战,本文构建了人工标注的点评数据集,并研究了小样本场景下结构化金融投资数据到中文文本的生成方法。通过实验分析,本文提出的基于规则的重要信息排序点评方法性能较好,规则文本增强的点评网络的性能明显优于其他基准模型且在自动评价指标ROUGE-1上提升了2.0个点。