arXiv cs.CL· Leomax Bandeira, Gabriel Aguiar, Dalton C\'ezane Gomes Valadares, Luiz Pereira, Helder Fernando de Ara\'ujo Oliveira, Gustavo Xavier, Andson M. Balieiro·· 2 天前AI 评分15
巴西葡萄牙语金融新闻多类分类大规模数据集发布
A Large-Scale Dataset for Multi-Class Financial News Classification in Brazilian Portuguese
AI 导读
研究者构建了约 16 万篇巴西葡萄牙语金融新闻语料库，并基于多语言语义嵌入对比了余弦相似度、KNN 和 FAISS 三种相似度方法。在人工标注子集上 KNN 表现最佳，准确率 47.3%、F1 31.9%；在 LLM 标注子集上准确率约 50% 但 F1 降至近 20%，显示标签不平衡与弱标注噪声的负面影响。
正文 · AI 翻译
摘要：面向巴西葡萄牙语的金融自然语言处理（NLP）系统的发展受制于领域特定数据集的稀缺。为解决这一问题，我们提出了一个大规模语料库，包含约 160,000 篇从网络来源收集的巴西葡萄牙语金融新闻文章。为建立基于语义相似度的弱监督多类分类方法的初始基准，我们对该语料库的子集进行了人工标注，并使用大型语言模型（LLM）进行了标注。我们使用多语言语义嵌入评估了三种基于相似度的方法——余弦相似度、K 近邻（KNN）以及基于 FAISS 的最近邻搜索。我们的实验表明，该任务对标签质量和类别分布高度敏感。在人工标注的子集上，KNN 取得了最佳性能（47.3% 准确率，31.9% F1 分数），紧随其后的是 FAISS。相反，在 LLM 标注的子集上，虽然准确率达到了约 50%，但 F1 分数降至接近 20%，凸显了标签不平衡和噪声弱标注的负面影响。这些发现为一项具有挑战性的任务建立了基础基准，强调了高质量人工标注的迫切需求。最终，该数据集和我们的初步结果为巴西葡萄牙语金融 NLP 的未来研究提供了参考点。
| 评论： | 论文已被 SMC 2026 接收作报告 |
| 主题： | 计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.20630 [cs.CL] |
| （或 arXiv:2610.20630v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20630 arXiv 颁发的 DOI 经由 DataCite |
提交历史
来自：Dalton Valadares [查看电子邮件]
[v1]
2026年9月29日星期二 19:06:20 UTC（228 KB）
来源：arXiv cs.CL · arxiv.org