CrunchLLM：面向结构化商业推理与结果预测的多任务大语言模型
机器学习
2025-10-14 v2 计算机视觉与模式识别
摘要
预测初创公司的成功（定义为通过收购或首次公开募股实现退出）是创业与创新研究中的一个关键问题。Crunchbase等数据集既提供了结构化信息（如融资轮次、行业、投资者网络），也提供了非结构化文本（如公司描述），但有效利用这些异构数据进行预测仍然具有挑战性。传统的机器学习方法通常仅依赖结构化特征，准确率中等；而大语言模型（LLMs）虽具备丰富的推理能力，却难以直接适应特定领域的商业数据。我们提出CrunchLLM，一个面向初创公司成功预测的领域自适应LLM框架。CrunchLLM将结构化公司属性与非结构化文本叙述相结合，并应用参数高效微调策略与提示优化，使基础模型专精于创业数据。我们的方法在Crunchbase初创公司成功预测上实现了超过80%的准确率，显著优于传统分类器和基线LLM。除了预测性能，CrunchLLM还提供可解释的推理轨迹来证明其预测的合理性，从而增强了金融和政策决策者的透明度和可信度。这项工作展示了如何通过领域感知微调和结构化-非结构化数据融合来适配LLM，从而推进创业结果的预测建模。CrunchLLM为风险投资和创新政策中的数据驱动决策提供了一个方法论框架和实用工具。
引用
@article{arxiv.2509.10698,
title = {CrunchLLM: Multitask LLMs for Structured Business Reasoning and Outcome Prediction},
author = {Rabeya Tus Sadia and Qiang Cheng},
journal= {arXiv preprint arXiv:2509.10698},
year = {2025}
}