FinLLM-KG 用知识图谱增强 LLM 金融情感分析且无需重训。
资讯摘要
论文提出 FinLLM-KG，一个模型无关框架，将因果 LLM 与金融知识图谱结合，在推理时注入来自 SEC 10-K 文件的时间性公司级知识，无需更新模型权重。上下文以公司简介自然语言或少量相关性排序的事实三元组形式提供，使情感预测能考虑公司层面信息。作者报告该框架可将文章级情感分数归因到句子和检索到的图谱事实，提升可解释性，模拟显示其投资组合表现优于现有基线。
要点速读
- 框架在推理时注入 SEC 10-K 文件中的公司级知识，不更新模型权重，适用于任意因果 LLM。
- 上下文以自然语言公司简介或相关性排序的事实三元组提供，计算成本接近零。
- 作者报告模拟中投资组合表现持续优于现有基线，且预测证据可检查。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。