金融聊天室漏单克星：每天7万RFQ，LLM调用砍85%还省300美元！
FinDialogLens: Event Extraction over Multi-Party Dialogue for Missed-Trade Identification in Financial Chatrooms
📖 AI 总结
该研究针对多边金融聊天室中错失交易难以人工追溯的问题，将其建模为多边对话上的事件抽取任务，并提出混合式大模型流水线FinDialogLens。系统利用小型微调分类器作为推理期支架，识别报价请求触发消息及价格、交易结果等元数据，再通过事件级模块切分每个报价请求窗口，并由交易引擎填充论元角色。实验显示，使用GPT-4o时，最终价格与交易结果准确率分别达92.1%和94.3%，优于整段聊天室思维链提示方法；仅30亿参数的开源微调模型在少量领域数据下即可取得相近表现。为兼顾成本与精度，作者引入难度感知路由器，在规则引擎与大模型交易引擎间分配请求，使最终价格任务的模型调用减少85%，并挽回约一半的精度差距，在每日7万次报价请求规模下可节省逾300美元。
🔑 关键词速览
| RFQ (Request for Quote) | 报价请求，金融交易中买方或卖方请求对方提供报价的消息，是本文事件抽取的核心事件类型。 |
| Event Extraction (EE) | 事件抽取，从文本中识别事件触发词并提取事件论元（如时间、价格、结果等）的自然语言处理任务。 |
| FinDialogLens | 本文提出的混合LLM流水线系统，用于在多方金融聊天室中抽取RFQ事件并识别遗漏交易。 |
| Difficulty-aware Router | 难度感知路由器，根据RFQ的难度动态分配至低成本规则引擎或高成本LLM引擎，以平衡成本与准确率。 |
| Chain-of-Thought (CoT) Prompting | 思维链提示，一种通过引导大语言模型逐步推理来提升复杂任务性能的提示方法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅