利用生成式大语言模型提升金融事件实体抽取性能
计算与语言
2025-04-22 v1
摘要
金融事件实体抽取是分析市场动态和构建金融知识图谱的关键任务,但由于金融文本中的专业语言和复杂结构,其面临显著挑战。传统方法通常依赖序列标注模型,这些模型在处理长程依赖和抽取多个可能重叠实体的内在复杂性方面常常吃力。受大型语言模型(LLM)先进语言理解和生成能力的启发,我们提出了一种新方法,将金融事件实体抽取重新定义为文本到结构化输出生成任务。我们的方法通过参数高效微调(PEFT)对预训练模型进行微调,直接生成包含抽取实体及其精确字符范围的结构化表示(如JSON对象)。我们在具有挑战性的CCKS 2019金融事件实体抽取数据集上评估了该方法,将其性能与强大的序列标注基线(包括SEBERTNets和sebertNets)进行比较。实验结果表明,我们的生成式LLM方法在该基准数据集上取得了新的状态最优F1分数,显著优于先前方法。通过对事件类型、实体类型和实例复杂度进行详细的定量分析以及人类评估,我们展示了该方法在处理金融文本细微差别和抽取高质量实体方面更有效。本工作验证了将生成式LLM直接应用于需要结构化输出的复杂、特定领域信息抽取任务的潜力。
引用
@article{arxiv.2504.14633,
title = {Harnessing Generative LLMs for Enhanced Financial Event Entity Extraction Performance},
author = {Soo-joon Choi and Ji-jun Park},
journal= {arXiv preprint arXiv:2504.14633},
year = {2025}
}