基于大语言模型的创业成功预测：一种新颖的原语学习方法
机器学习
2026-01-28 v2
摘要
对早期创业公司进行风险投资 (VC) 且最终成功的投资往往能带来高回报。然而，预测早期创业公司的成功仍具有挑战性，因为数据稀缺（例如，许多风险投资公司仅关于少数几十家早期创业公司及其成功情况）。这限制了依赖大型标记数据集进行模型训练的传统机器学习方法的有效性。为此，我们提出了一种无需模型训练、仅依赖少量标记创业公司作为 demonstration examples 的大语言模型 (LLM) 原语学习框架，用于创业成功预测。具体而言，我们提出了一种基于 k 最近邻的原语学习框架，称为 kNN-ICL，通过相似性选择最相关的过去创业公司作为示例。使用来自 Crunchbase 的真实世界配置文件，我们发现 kNN-ICL 方法在超越监督机器学习基线和 vanilla 原语学习的预测准确率方面具有优势。进一步，我们研究了性能随原语学习示例数量的变化情况，发现即使仅使用 50 个示例即可实现较高的平衡准确率。总体而言，我们展示了原语学习可作为数据稀缺环境中风险投资公司的决策工具。
引用
@article{arxiv.2601.16568,
title = {Predicting Startup Success Using Large Language Models: A Novel In-Context Learning Approach},
author = {Abdurahman Maarouf and Alket Bakiaj and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2601.16568},
year = {2026}
}