论文页面 - 通过检索增强的大语言模型提升金融情感分析

来源: https://huggingface.co/papers/2310.04027

摘要

一种检索增强的大语言模型框架通过微调大语言模型进行情感预测，并利用外部上下文进行增强，从而提升了金融情感分析性能，超越了传统模型和其他大语言模型。

金融情感分析（https://huggingface.co/papers?q=Financial%20sentiment%20analysis）对于估值和投资决策至关重要。然而，传统NLP模型受限于其参数规模和训练数据集的覆盖范围，这削弱了它们在该领域的泛化能力和有效性。近年来，在大型语料库上预训练的大语言模型（LLMs https://huggingface.co/papers?q=LLMs）凭借其出色的零样本能力（https://huggingface.co/papers?q=zero-shot%20abilities），在多种NLP任务中展现出优越性能。然而，直接将大语言模型（LLMs https://huggingface.co/papers?q=LLMs）应用于金融情感分析仍面临挑战：大语言模型（LLMs https://huggingface.co/papers?q=LLMs）的预训练目标与情感标签预测之间的差异可能会损害其预测性能。此外，金融新闻通常简洁且缺乏足够上下文，这会显著降低大语言模型（LLMs https://huggingface.co/papers?q=LLMs）情感分析的可靠性。为了解决这些问题，我们提出了一种用于金融情感分析（https://huggingface.co/papers?q=financial%20sentiment%20analysis）的检索增强大语言模型框架。该框架包含一个指令微调的大语言模型（https://huggingface.co/papers?q=instruction-tuned%20LLMs）模块，确保大语言模型（LLMs https://huggingface.co/papers?q=LLMs）作为情感标签（https://huggingface.co/papers?q=sentiment%20labels）预测器运行；以及一个检索增强（https://huggingface.co/papers?q=retrieval-augmentation）模块，用于从可靠的外部来源（https://huggingface.co/papers?q=external%20sources）检索额外上下文。在与传统模型以及ChatGPT、LLaMA等大语言模型（LLMs https://huggingface.co/papers?q=LLMs）的基准对比中，我们的方法在准确率（https://huggingface.co/papers?q=accuracy）和F1分数（https://huggingface.co/papers?q=F1%20score）上实现了15%至48%的性能提升。

查看 arXiv 页面（https://arxiv.org/abs/2310.04027）查看 PDF（https://arxiv.org/pdf/2310.04027）GitHub20.2kauto（https://github.com/AI4Finance-Foundation/FinGPT）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2310.04027）

在您的智能代理中获取本论文:

hf papers read 2310.04027

没有最新的CLI? curl -LsSf https://hf.co/cli/install.sh | bash

引用本论文的模型0

暂无模型关联本论文

在模型的 README.md 中引用 arxiv.org/abs/2310.04027 即可链接到此页面。

引用本论文的数据集0

暂无数据集关联本论文

在数据集的 README.md 中引用 arxiv.org/abs/2310.04027 即可链接到此页面。

引用本论文的Space0

暂无Space关联本论文

在Space的 README.md 中引用 arxiv.org/abs/2310.04027 即可链接到此页面。

包含本论文的收藏集0

暂无收藏集包含本论文

将本论文添加到收藏集（https://huggingface.co/new-collection）即可链接到此页面。