FinDialogLens：从金融聊天室多方对话中提取事件，识别漏报交易

arXiv:2610.02455v1 公告类型：新发布 摘要：多方金融聊天室对销售与交易从业人员至关重要，但其复杂性使得人工恢复错过的交易变得不可行：每一笔询价（RFQ）都是一个事件，其最终价格和交易结果出现在 RFQ 触发消息（询价消息）之后的许多条消息中，并与其他参与者发起的并发 RFQ 相互交织。我们将此问题建模为多方对话上的事件抽取（EE），并提出 FinDialogLens——一个混合式 LLM 流水线，其中经过轻量微调的分类器充当推理时的脚手架：它们检测 RFQ 触发信号以及价格/交易结果元数据，RFQ 级别模块负责划分每个事件的 RFQ 窗口，交易引擎则填充论元角色。使用 GPT-4o 时，FinDialogLens 在最终价格和交易结果上分别达到 92.1% 和 94.3% 的准确率，优于对整个聊天室进行 CoT 提示的方法；仅需少量领域数据微调的开源 LLM（参数量低至 3B）也能达到相当的性能。为使基于 LLM 的解决方案在大规模场景下实用化，一个难度感知的路由器在低成本规则引擎与高性能的 LLM 驱动交易引擎之间分配 RFQ，以平衡成本与准确率，在最终价格任务上减少 85% 的 LLM 调用，同时弥合了与 FinDialogLens（GPT-4o）之间一半的准确率差距，在我们每天 70,000 笔 RFQ 的规模下每天节省超过 300 美元。