Enhancing Financial Sentiment Analysis via Retrieval Augmented Large Language Models

本文是LLM系列文章，针对《Enhancing Financial Sentiment Analysis via Retrieval Augmented Large Language Models》的翻译。

摘要

金融情绪分析对估值和投资决策至关重要。然而，传统的NLP模型受到其参数大小和训练数据集范围的限制，这阻碍了其在该领域的泛化能力和有效性。最近，在大量语料库上预先训练的大型语言模型（LLM）由于其值得称赞的零样本能力，在各种NLP任务中表现出了优异的性能。然而，将LLM直接应用于金融情绪分析带来了挑战：LLM的预训练目标和预测情绪标签之间的差异可能会影响其预测性能。此外，金融新闻的简洁性，往往缺乏足够的上下文，会大大降低LLM情绪分析的可靠性。为了应对这些挑战，我们引入了一个用于金融情绪分析的改进LLM框架。该框架包括一个指令调优的LLM模块，它确保LLM作为情感标签的预测因子，以及一个检索增强模块，它从可靠的外部来源检索额外的上下文。以传统模型和LLM（如ChatGPT和LLaMA）为基准，我们的方法在准确性和F1分数方面实现了15%至48%的性能提升。

1 引言

2 背景和相关工作

3 方法

4 性能评估

5 结论与未来工作

总之，本文提出了一个新颖的检索增强大型语言模型框架，专门用于金融情绪分析。通过整合外部知识检索，我们能够增强LLM中信息的深度和上下文，确保更细致和知情