融合 LLM 与知识图谱以实现金融风险传播的形式因果推理
计算工程、金融与科学
2024-07-25 v1
摘要
金融风险倾向于从一个实体传播到另一个实体，最终导致系统性风险。预防此类风险的关键在于理解风险传播背后的因果链。尽管如此，现有方法主要强调识别风险，忽略了风险背后因果分析。为此，我们提出一种风险传播因果推理模型，称为 RC2R，它利用大型语言模型（LLM）的逻辑推理能力，在金融知识图谱（KGs）中嵌入的事实与专家知识基础上，解剖风险传播的因果机制。在数据层面，我们利用金融 KGs 构建因果指令，使 LLM 能够对风险传播进行形式化因果推理，并解决 LLM 的“因果鸽子”问题。在模型架构方面，我们集成了一个融合模块，通过多尺度对比学习对齐不同粒度的 token 与节点，随后通过软提示和跨多头注意力机制将文本和图结构数据融合。为量化风险传播，我们引入一个风险路径推理模块，用于计算图中每个节点的风险得分。最后，我们使用 Sankey 图可视化风险传播路径及其强度，提供详细的因果解释。在金融 KGs 和供应链数据集上的全面实验表明，该模型在预测性能和跨域（OOD）泛化能力方面优于多个最先进模型。我们将公开数据集和代码，以鼓励该领域的进一步研究与发展。
引用
@article{arxiv.2407.17190,
title = {Fusing LLMs and KGs for Formal Causal Reasoning behind Financial Risk Contagion},
author = {Guanyuan Yu and Xv Wang and Qing Li and Yu Zhao},
journal= {arXiv preprint arXiv:2407.17190},
year = {2024}
}