随着社会经济的不断发展,股票作为投资市场最重要的组成部分之一,同时作为“经济晴雨表”,是宏观经济的一个反应指标,股票市场与其他行业相比具有高风险、高回报等特点,因此对股票趋势预测便成为一个研究重点。过去研究的重心一直都处于现象研究上,随着互联网和大数据技术的发展,现如今可以用技术对经济学的一些发展趋势进行预测。随着“AI赋能”的发展趋势,各行业研究以深度学习为核心,以知识图谱和图数据库为支撑,基于交叉领域的研究成为重要的热门方向。其中股票预测作为一个热点话题,同时作为一个交叉研究方向广受欢迎,本文在现有技术和算法的基础上提出了使用LSTM与SENet相结合的预测模型,通过对数据进行整合,构建一个服务于金融市场的预测模型,本模型适用于进行大数据分析的企业和个人、研究开发金融类产品和解决方案的公司、进行量化分析的分析师,帮助他们进行智能化分析金融市场、为量化投资分析提供一定的技术支持。论文的主要研究内容如下:1、本文针对传统序列标注模型（BiLSTM-CRF）的输入层中的股票信息词向量和字符级向量间存在信息表达能力不均衡和有歧义的现象,通过融合注意力机制的股票信息命名实体识别模型（BiSLTM-Attention-CRF）,来增强模型输入层的股票信息表达能力,减轻不均衡现象对股票信息准确性造成的影响,经过本文验证,BiSLTM-Attention-CRF具备一定的可行性。2、本文提出使用长短期记忆网络（Long Short-term Memory,LSTM）和压缩记忆网络（Squeeze-and-Excitation Networks,SENet）相结合的预测模型。该模型在LSTM模型基础上结合融入SENet模型,充分利用该隐藏层的各个时刻的输出信息,进行通道注意力模块提取时间序列特征,并且对输出结果进行加权计算。通过实验比较,验证了所提出的LSENet模型具有更好的预测性能,其中MAE可以达到约3.34左右。3、本文提出了基于LSENet的股票趋势预测模型的方法,将采集的数据利用命名体识别和关系抽取进行词向量的划分,并对其中的实体信息进行知识抽取,然后建立起实体之间的关系,最终建立完成词向量存入Neo4j图数据库中,通过使用Cypher的方式实现可视化查询实体和实体之间的关系。