利用大语言模型减少从财报中提取信息时的幻觉现象
计算与语言
2023-10-18 v1 投资组合管理
统计金融
应用统计
摘要
对于金融分析师而言，公司财报中的问答（Q&A）环节是进行各类分析与投资决策的关键信息。然而，从问答部分提取有价值的洞见一直存在相当大的挑战，因为详细阅读和记笔记等传统方法缺乏可扩展性且容易出现人为错误，而光学字符识别（OCR）及类似技术难以准确处理非结构化的文字记录文本，常常遗漏驱动投资者决策的细微语言差异。在此，我们展示了如何利用大语言模型（LLMs）高效、快速地从财报电话会议记录中提取信息，同时通过结合检索增强生成技术与元数据来确保高准确性，变革提取流程并减少幻觉。我们基于多种用于评估问答系统的客观指标，评估了使用与未使用我们所提方法的各类LLM的结果，并从经验上证明了我们方法的优越性。
引用
@article{arxiv.2310.10760,
title = {Towards reducing hallucination in extracting information from financial reports using Large Language Models},
author = {Bhaskarjit Sarmah and Tianjie Zhu and Dhagash Mehta and Stefano Pasquali},
journal= {arXiv preprint arXiv:2310.10760},
year = {2023}
}
备注
4 pages + references. Accepted for publication in Workshop on Generative AI at the 3rd International Conference on AI-ML Systems 2023, Bengaluru, India