LATTE：面向银行客户的学习对齐交易与文本嵌入
计算与语言
2025-12-18 v4 人工智能
摘要
从其历史通信序列中学习客户嵌入是金融应用的核心任务。虽然大语言模型（LLMs）提供了通用的世界知识，但其直接用于长事件序列在实际管道中计算成本高昂且不可行。本文提出 LATTE，一种对齐原始事件嵌入与来自冻结 LLM 的语义嵌入的对比学习框架。行为特征被概括为简短提示，通过 LLM 嵌入，并通过对比损失用于监督。该方法显著降低了与常规处理完整序列的推理成本和输入规模。我们在真实世界金融数据集上实验表明，该方法在学习事件序列表示方面优于最新技术，同时保持可部署在延迟敏感环境中的能力。
引用
@article{arxiv.2508.10021,
title = {LATTE: Learning Aligned Transactions and Textual Embeddings for Bank Clients},
author = {Egor Fadeev and Dzhambulat Mollaev and Aleksei Shestov and Omar Zoloev and Artem Sakhno and Dmitry Korolev and Ivan Kireev and Andrey Savchenko and Maksim Makarenko},
journal= {arXiv preprint arXiv:2508.10021},
year = {2025}
}