基于大型语言模型的实时金融信息搜索代理框架
信息检索
2025-02-25 v1 人工智能
摘要
金融决策需要在处理海量实时信息的同时理解其复杂的时间关系。虽然传统搜索引擎在提供实时信息获取方面表现出色，但常常难以理解复杂的用户意图和情境细微差别。相反，大型语言模型(LLM) 展示出推理和交互能力，但若无当前数据访问，可能生成不可靠的输出。虽然最近尝试将 LLM 与搜索功能结合，但仍面临 (1) 限制对专业金融数据的访问，(2) 静态查询结构无法适应动态市场条件，以及 (3) 在结果生成中缺乏足够的时间感知。为此，我们提出 FinSearch，一种专为金融应用设计的基于代理的搜索框架，可与多样化的金融数据源接口，包括市场、股票和新闻数据。创新地，FinSearch 包含四个组件：(1) 基于 LLM 的多步骤搜索预规划器，将用户查询分解为映射到特定数据源的结构化子查询；(2) 搜索执行器，搭载 LLM 自适应查询重写器，对每个子查询进行搜索，并在后续节点中基于中间搜索结果动态细化子查询；(3) 时间加权机制，根据从用户查询中推断的时间上下文优先级信息相关性；(4) 基于 LLM 的响应生成器，将结果综合为连贯且情境恰当的输出。为评估 FinSearch，我们构建了 FinSearchBench-24，包含 1500 题的四选项问题，覆盖股票市场、利率变化、货币政策和行业动态，时间跨度为 2024 年 6 月至 10 月。
引用
@article{arxiv.2502.15684,
title = {An Agent Framework for Real-Time Financial Information Searching with Large Language Models},
author = {Jinzheng Li and Jingshu Zhang and Hongguang Li and Yiqing Shen},
journal= {arXiv preprint arXiv:2502.15684},
year = {2025}
}