FinDialogLens：用事件抽取从金融聊天室中找回漏单交易

金融聊天室里的「漏单」难题

在投行的销售与交易（sales-and-trading）业务中，多方金融聊天室是撮合报价与成交的核心渠道。但这类聊天室天然混乱：每一条询价（Request for Quote，简称 RFQ）都是一个独立事件，而它的最终报价与成交结果往往出现在触发消息（即询价消息）之后的数十条对话中，中间还交织着其他参与者的并发 RFQ。

这种结构意味着，一旦某笔交易在信息洪流中被忽略，靠人工回溯几乎是不可能完成的任务。arXiv 最新论文提出的 FinDialogLens 正是针对这一痛点，把问题重新定义为「多方对话上的事件抽取（Event Extraction, EE）」，并给出了一套可落地的工程方案。

FinDialogLens 论文来源

事件抽取（Event Extraction, EE） 是自然语言处理中的一项经典任务，目标是从非结构化文本中识别出特定类型的事件（触发词/触发句），并抽取与之相关的参与者、时间、地点、结果等**论元（argument）**信息。例如从「张三以100元买入了100股平安」中，系统需识别出「交易」事件，并抽取出买方=张三、价格=100元、标的=平安等角色。金融对话场景的难点在于：触发消息与结果消息之间存在多轮对话间隔，且同一时间窗口内多个 RFQ 事件并发交织，使得传统 EE 方法难以直接套用。

FinDialogLens 的混合式架构

FinDialogLens 的核心思路是一个混合 LLM 流水线，让小型微调分类器在推理阶段充当「脚手架」，辅助大模型完成复杂抽取任务。整个系统由几个关键模块协同工作：

分类器脚手架

首先由紧凑的微调分类器负责两件事：检测 RFQ 触发消息，以及识别报价与成交结果相关的元数据。这些分类器体量小、推理快，为后续的重活打好地基。

这里的「微调分类器」通常指在预训练语言模型（如 BERT、FinBERT 等）基础上，用领域内标注数据进行监督微调后得到的轻量判别模型。与生成式大模型相比，此类分类器参数量更小（通常在数亿以内），推理延迟低，部署成本可控，但泛化能力有限，难以处理需要复杂推理的任务。在 FinDialogLens 的设计哲学中，将任务按难度拆分——用分类器完成边界清晰的判别子任务，保留大模型的算力用于真正需要语义理解与推理的核心环节——是兼顾性能与成本的关键取舍。

RFQ 级别切分与交易引擎

在分类器识别出触发点后，RFQ-Level Module 负责将对话按事件切分成一个个独立的 RFQ 窗口，把混杂的多方消息重新归拢到各自的事件上下文中。随后 Trade Engine（交易引擎） 在每个窗口内填充论元角色（argument roles），还原出完整的交易事件——包括最终价格和成交与否。

这种「先切分、再抽取」的设计，有效化解了并发 RFQ 相互干扰的难题，让大模型不必在整个聊天室的海量上下文中迷失方向。

实验结果：准确率与成本的双重突破

论文给出的数据相当亮眼。搭配 GPT-4o 时，FinDialogLens 在最终价格抽取上达到 92.1% 准确率，在成交结果判定上达到 94.3%，显著超越针对整个聊天室做思维链（Chain-of-Thought, CoT）提示的方法。

更值得关注的是开源模型的表现：仅 3B 参数的微调开源 LLM，在适量的领域内数据支持下，就能取得与 GPT-4o 方案相当的效果。这意味着机构无需完全依赖昂贵的闭源 API，也能自建高性能的交易回溯系统。

思维链（Chain-of-Thought, CoT）提示 是指引导大模型在给出最终答案前，逐步输出中间推理过程的提示技术。研究表明 CoT 能显著提升复杂推理任务的准确率，因此常被用作强基线。然而在多方金融聊天室场景中，对整个聊天室内容直接做 CoT 提示面临两重挑战：一是超长上下文导致模型注意力分散，难以精准定位目标 RFQ；二是所有 RFQ 均消耗完整的大模型调用，成本随消息量线性增长。FinDialogLens 之所以能超越整室 CoT 基线，正是因为其先做结构化切分、缩短了每次推理所需处理的上下文长度。

难度感知路由：让方案在规模上真正可用

真实场景下，成本控制与规模化部署才是成败关键。FinDialogLens 引入了一个难度感知路由器（difficulty-aware router），在低成本的规则引擎与高性能的 LLM 交易引擎之间动态分配 RFQ。

简单直接的 RFQ 交给规则引擎处理，复杂的才调用大模型。效果是：在最终价格任务上削减了 85% 的 LLM 调用，同时弥补了与纯 GPT-4o 方案之间一半的准确率差距。

在论文作者所处的每日 7 万条 RFQ 规模下，这一设计每天可节省超过 300 美元的成本。对于高频运转的交易台而言，这不仅是可观的开支节约，更证明了混合方案在生产环境中的工程可行性。

难度感知路由的核心思想来源于机器学习中的「级联分类器（cascaded classifier）」或「提前退出（early exit）」策略：对置信度高、模式简单的样本快速给出答案，只把不确定或复杂的样本交给更强但更慢/贵的后端处理。在实际金融场景中，相当比例的 RFQ 具有标准化的报价格式（如固定模板的利率互换询价），规则引擎即可准确处理；而涉及多轮议价、价格条件或结算争议的 RFQ 才真正需要语义理解。路由器通过分类器输出的置信度分数或显式的复杂度特征来决策，从而在保证整体准确率的前提下，将大模型的调用压缩到最必要的子集。

对金融 NLP 的启示

FinDialogLens 的价值不止于一个具体工具。它展示了一条值得借鉴的范式：用小模型做结构化前处理、用大模型做核心推理、再用路由策略平衡成本与精度。这种分层设计既发挥了 LLM 的理解能力，又避免了「所有任务都喂给大模型」带来的高昂代价。

对于金融、法律、客服等充斥着多方对话且事件结构复杂的领域，这套把问题建模为事件抽取、并用混合流水线落地的方法，提供了一个可复制的参考模板。随着开源小模型能力持续增强，类似架构有望成为垂直领域 AI 应用的主流形态。