InterCorpRel-LLM：利用图-语言模型增强金融关系理解
机器学习
2025-10-14 v1 人工智能
摘要
识别企业间关系（如供应关系与竞争关系）对金融分析与公司治理至关重要，但由于企业数据规模庞大、稀疏且具有上下文依赖性，该任务仍然充满挑战。基于图的方法能够捕捉结构信息，但缺乏语义深度；大型语言模型（LLMs）擅长处理文本，但在表示关系依赖方面仍存在局限。为解决这一问题，我们提出 InterCorpRel-LLM，一种将 GNN 与 LLM 相结合的跨模态框架，并辅以一个源自 FactSet 供应链记录的自有数据集以及三项定制化训练任务：公司图匹配、行业分类与供应关系预测。该设计能够实现结构与语义的有效联合建模。实验表明，InterCorpRel-LLM 在供应关系识别任务上大幅超越包括 GPT-5 在内的强基线模型，仅使用 70 亿参数的骨干网络与轻量级训练，便取得了 0.8543 的 F 值（对比 0.2287）。该模型还可泛化至零样本竞争者识别任务，凸显了其捕捉细微企业间动态的能力。因此，我们的框架为分析师与战略制定者提供了一种稳健的工具，可用于绘制并推理复杂的公司网络，从而在动态市场中增强决策与风险管理。
引用
@article{arxiv.2510.09735,
title = {InterCorpRel-LLM: Enhancing Financial Relational Understanding with Graph-Language Models},
author = {Qianyou Sun and Jiexin Zheng and Bohan Jin and Lihua Chen and Yijie Peng},
journal= {arXiv preprint arXiv:2510.09735},
year = {2025}
}