基于案例推理的金融问答解决方法
本文提出了一种神经符号 CBE 方法,包括非参数记忆库和参数模型,能够对大型知识库中的问题进行问答,展示了在 ComplexWebQuestions 数据集上超越当前最新技术 11%的性能并显示出只需少量的人工标记示例,就能使用新案例的能力。
Apr, 2021
本研究旨在探讨大规模预训练语言模型在金融领域中实现数值推理的挑战,提出了一个新的大规模数据集 ConvFinQA,对其进行了综合性实验和分析,为研究实际世界中复杂推理任务提供新的资源。
Oct, 2022
为了解决金融领域中财务报表分析的难题,本文提出了一个新的数据集 FinQA,并进行了广泛的实验。实验结果显示预训练模型在金融知识和复杂多步骤的数值推理方面远远不及专家人类。这个新的数据集应该为复杂应用领域的深入研究提供了可能性。
Sep, 2021
本研究提出了一种针对金融文本和表格数据的数字推理问题回答系统,该系统包括检索器模块、生成器模块和集成模块。在私人测试集上的表现可达 69.79 个执行精度。
Jun, 2022
该文介绍了基于 DeBERTa 预训练语言模型的金融问答系统在 FinQA 挑战赛中的应用,通过多模型融合和训练集组合等优化方法,输出准确度达到 68.99,程序准确度达到 64.53,排名第四。
Jul, 2022
提出了一种基于 CBR-MRC 的精确且可解释的答案提取方法,其利用相似问题之间的语义相似性来预测问题的答案,并在 NaturalQuestions 和 NewsQA 数据集上都取得了较高的准确率。
May, 2023
提出了一种基于案例推理的方法,CBR-iKB,用于知识库问答系统,该方法可以适应不完整的知识库,通过新颖的非参数推理算法,综合多个推理链的决策,无需特定的训练或微调,达到了 100%的 MetaQA 准确度,同时在 WebQSP 下取得了 70%的准确率,超过了现有最优方法 22.3%以上。
Apr, 2022
本文提出了一种使用不同专业能力的模型进行融合的方法,以解决财务问题的数字推理任务,并在 FinQA 挑战赛中获得了第一名,执行准确率为 71.93%,程序准确率为 67.03%。
Jun, 2022
财务报告通过分析公司的运营情况提供重要见解,但通常长度过长,约 30 至 40 页,对于动态市场的快速决策提出了挑战。为解决这个问题,我们利用经过微调的大型语言模型(LLM)从用户提出的问题中提炼关键指标和运营指标。我们设计了一种定位关键数据的方法,并利用 FinQA 数据集对 Llama-2 7B 和 T5 模型进行微调,以进行定制化问答。在最终的数值回答上取得了与基准相当的结果,在数值推理和计算上具有竞争力的准确性。
Dec, 2023
本文提出了一个新的任务,NR-KBQA,它需要进行多跳推理和数值推理。我们使用 Python 格式的逻辑形式 PyQL 设计了数值推理问题的推理过程,并提供了一个名为 MarkQA 的大型数据集,用于促进 NR-KBQA 的开发。实验结果表明,在 MarkQA 上进行复杂的数值推理在 KBQA 中面临巨大挑战。
Oct, 2023