增强金融报告问答：基于重排分析的检索增强生成系统
计算与语言
2026-04-29 v2
摘要
金融分析师面临从大容量10-K报告中提取信息的重大挑战，这些报告常常超过100页。本文提出了检索增强生成(RAG)系统，用于回答关于标普500公司财务报告的问题，并评估了神经网络重排对系统性能的影响。我们的管道采用混合检索，将全文检索和语义检索相结合，随后可选地使用交叉编码器模型进行重排。我们使用包含1500个查询的FinDER基准数据集进行系统评估，该数据集分为五个实验组。结果表明，重排显著提高了答案质量，未使用重排时得分≥8的正确性为33.5%，使用重排后提升至49.0%，提升15.5个百分点。此外，完全错误答案的错误率从35.3%降至22.5%。我们的发现凸显了金融RAG系统中重排的关键作用，并通过现代语言模型和精炼检索策略实现了对基线方法的性能提升。
引用
@article{arxiv.2603.16877,
title = {Enhancing Financial Report Question-Answering: A Retrieval-Augmented Generation System with Reranking Analysis},
author = {Zhiyuan Cheng and Longying Lai and Yue Liu and Kai Cheng and Xiaoxi Qi},
journal= {arXiv preprint arXiv:2603.16877},
year = {2026}
}
备注
7 pages, 2 figures. Accepted to ICECET 2026