GRAB：基于风险分类学的无监督主题发现基准

10-K 文件中的风险分类对监管和投资至关重要，但目前尚无公开基准用于评估无监督主题模型在此任务上的表现。我们提出 GRAB，一个专为金融领域设计的基准数据集，包含 1.61M 句子，来自 8,247 份文件，并通过结合 FinBERT token attention、YAKE 关键词信号和 taxonomy-aware collocation matching 而无需人工标注地生成句子级别标签。标签基于将 193 个术语映射到 21 个细粒度类型的风险分类学，后者嵌套在五个宏观类别下；21 个细类型指导弱监督，而评估在宏观层面进行。GRAB 统一了固定数据集划分和稳健指标——准确率、宏观 F1、Topic BERTScore 和基于熵的 Effective Number of Topics。该数据集、标签和代码使经典模型、嵌入式模型、神经网络模型和混合模型在金融披露文件上的主题模型进行可重复、标准化的比较成为可能。