FinEvolveKG：金融知识图谱构建

arXiv:2611.08643v1 宣布类型：新

摘要：金融机构从共享的 SEC 10-Ks 构建知识图谱（KGs），以服务于风险分析、投资组合管理和投资研究，这些分析需求各不相同。提取必须在不破坏共享的 grounding、typing 和 temporal rules 的情况下进行适应。

手写的 persona prompts 和 fine-tuning 会增加成本。无权重提示优化提供了一种替代方案，但单体提示的无约束进化可能会重写共享规则以及 persona guidance，从而掩盖变更并使审查复杂化。

我们介绍了 FinEvolveKG，这是一个 KG-construction harness，它将可重用的 general 和 persona-policy blocks 分离，并将 GEPA（一种 reflective prompt optimizer）机械地限制在指定的 block 中。

在 persona adaptation 期间，批准的 general block 保持字节级稳定，并且每个 optimizer 编辑都仅限于单独版本化的 persona policy。

一个双目标平衡了通用的 temporal-KG 质量与 persona 相关的事实、motifs 和 multi-hop connectivity。我们在 ticker-disjoint 10-K splits 上评估了五种 mutation scopes，针对三个 personas 的三个 seeds 的 persona-conditioned arms（v3-v5）。

在三-seed 的平均值上，完整的两阶段 block-constrained workflow（v4）比 frozen prompt baseline（v1）提高了 19.4-30.9%，比测试过的 unconstrained full-prompt workflow（v5）提高了 2.2-6.4%，在两个 objective components 上都领先 v5，并在每个 persona 的所有九对 seed 比较中获胜，且 seed 方差最低。

在没有进一步优化的情况下，v4 在所有评估的 out-of-distribution（OOD）shifts 上也超过了 v5。一位 SME 审计支持将生成的 triplets 作为 ground truth；

一项盲测的两 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，机械上可归因的进化可以与强大的实证性能共存，而无需将收益因果归因于边界。