arXiv cs.CL· Abhinav Arun, Jayita Bhattacharyya, Fabrizio Dimino, Bhaskarjit Sarmah, Stefano Pasquali·· 10 小时前AI 评分31
FinEvolveKG：面向金融知识图谱构建的可控可归因提示词演化
FinEvolveKG: Controlled and Attributable Prompt Evolution for Financial Knowledge Graph Construction
AI 导读
FinEvolveKG 将知识图谱构建提示词拆分为可复用的通用块与 persona 策略块，并把反思式提示词优化器 GEPA 的修改机械限制在指定块内，使通用块在 persona 适配中保持字节级不变。
正文 · AI 翻译
摘要：金融机构基于共享的 SEC 10-K 文件构建知识图谱（KG），以服务于风险分析、投资组合管理和投资研究，而这些场景的分析需求各不相同。抽取过程必须能够自适应，同时不割裂共享的 grounding、类型划分和时间规则。人工编写的 persona 提示词和微调会增加成本。无权重提示词优化提供了一种替代方案，但对单一整体提示词进行无约束演化，可能会连同 persona 指导一起改写共享规则，使变更难以辨识并增加审查难度。我们提出 FinEvolveKG，一种 KG 构建框架，它将可复用的通用块与 persona 策略块分离，并通过机制约束将反思式提示词优化器 GEPA 限制在指定块内。在 persona 适配过程中，已批准的通用块保持字节级稳定，优化器的每次编辑都局限于单独版本化的 persona 策略。双重目标在通用时序 KG 质量与 persona 相关事实、motif 和多跳连通性之间取得平衡。我们在按股票代码不相交划分的 10-K 数据上评估了五种变异范围，其中 persona 条件分支（v3-v5）在三种 persona 上各使用三个随机种子。在三随机种子均值上，完整的两阶段块约束工作流（v4）相比冻结提示词基线（v1）提升 19.4-30.9%，相比所测试的无约束全提示词工作流（v5）提升 2.2-6.4%，在两个目标分量上均领先 v5，并在每种 persona 下赢得全部九组配对种子比较，且种子方差最低。在不再进一步优化的情况下，v4 在所有评估的分布外（OOD）偏移上也均超过 v5。一项 SME 审计支持将生成的三元组用作 ground truth；一项盲测的双 SME 审计在 70.1% 的对比增强判断中更倾向于 v4 而非 v5。这些结果表明，机制上可归因的演化可以与强劲的实证性能共存，但并未将收益因果性地归因于该边界。
| 评论： | 8 页，1 幅图，5 张表 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.08643 [cs.CL] |
| （或 arXiv:2611.08643v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08643 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Abhinav Arun [查看邮箱]
[v1]
2026 年 11 月 5 日星期四 19:44:51 UTC（24 KB）
来源：arXiv cs.CL · arxiv.org