本文提出了NMIXX,一套面向金融领域的跨语言神经嵌入模型,通过18.8K高质量三元组数据进行领域适应微调,有效捕捉低资源语言(如韩语)中的金融专业语义偏移。为了评估模型性能,发布了面向韩语金融文本的KorFinSTS基准,涵盖新闻、披露、研究报告与法规四大子领域。实验证明,NMIXX在金融语义文本相似度任务中,尤其是跨语言金融语料上表现显著提升(Spearman’s ρ提升最高达0.22),但在通用领域表现有所折损,强调了领域定制与泛化能力的权衡。同时,研究指出编码器的词表设计对于低资源语言的领域适应至关重要,本报告详述了该技术路线及其实际效用
| 指标 | 数值 |
|---|---|
| 总句对数 | 1,991 |
| - 金融新闻 | 355 |
| - 披露文本 | 500 |
| - 研究报告 | 421 |
| - 法律法规文本 | 715 |
| 句子平均长度(词) | 535.5 / 457.5 |
| 词汇量(独立词数) | 4057 |
| 平均相似度评分(0-5) | 0.59 |
| 模型 | 词表大小 | 韩语完整Token数 | 比例 | ∆FinSTS | ∆KorFinSTS | 平均提升 |
|---|---|---|---|---|---|---|
| bge-en-icl | 32,003 | 346 | 1.08% | +0.0906 | -0.1256 | -0.0175 |
| gte-Qwen2-1.5B | 151,646 | 0 | 0.00% | -0.0340 | +0.2110 | +0.0885 |
| e5-mistral-7b | 32,000 | 346 | 1.08% | +0.1165 | -0.2837 | -0.0836 |
| bge-m3 | 250,002 | 5,413 | 2.17% | +0.0998 | +0.2220 | +0.1609 |
报告标题:NMIXX: Domain-Adapted Neural Embeddings for Cross-Lingual eXploration of Finance
作者:Hanwool Lee(Shinhan Securities)、Sara Yu(KT)、Yewon Hwang(EMRO)、Jonghyun Choi(Samsung Fire & Marine Insurance)、Heejae Ahn(KB Securities)、Sungbum Jung(Netmarble)、Youngjae Yu(Yonsei University)
机构:涵盖韩国主要金融机构及学术单位
发布时间:2025年(从参考文献可推断)
主题:针对金融领域,聚焦低资源语言(尤其是韩语)与英语的跨语言文本嵌入模型(embeddings)及其在金融文本语义相似度测量中的应用与评估。
核心论点:论文提出并实现了NMIXX,一个专门针对金融领域设计的跨语言神经嵌入模型体系,通过细粒度语义漂移模式细化训练数据,特别调优韩英金融语料,极大提升了金融领域的语义文本相似度(STS)表现。同时,作者发布了新的韩语金融STS基准数据集KorFinSTS,支持对低资源语言金融语义挖掘进行更准确的评估。实验表明,NMIXX显著优于通用预训练模型,尤其是其多语言bge-m3版本,在英韩两语言的金融STS任务中分别取得了+0.10和+0.22的Spearman相关性增益,但存在一定的通用STS性能折损,显示了领域特化与通用适应性之间的权衡。
整体,该研究通过数据、模型和评测三个维度,系统性地解决了跨语言金融语义理解的核心难点,尤其强调了关键词汇覆盖(tokenizer设计)在低资源语言嵌入适配中的关键作用。,1]
句子表示学习核心地位:本文开篇强调了句子嵌入作为NLP基础组件的价值,尤其对信息检索和智能代理系统。与大型语言模型(LLM)依赖巨量参数不同,嵌入模型需在体量小巧的前提下保证语义表达的准确性与高效性,面对多样化领域场景时表现不均衡。
领域与语言资源挑战:现有通用嵌入模型在金融领域表现存在明显不足,这种差异在少资源语言如韩语中尤为突出。领域特殊专业术语、时间演变语义漂移、跨语言(英韩)词汇对齐困难,均导致模型泛化能力下降,需要特定领域与多语言适配策略加以解决。
背景技术回顾:
现代句子嵌入模型大多基于Siamese网络架构(如Sentence-BERT),并采用对比学习(contrastive learning)方法(SimCSE、E5等)提高语义对齐。
虽然大型基于上下文的LLM(如BGE)在通用STS表现出色,但对金融领域的专有术语和时序语义漂移适应性有限。
以往金融NLP研究集中于情感分类、实体识别、问答任务,金融领域检索等应用揭示通用模型存在显著性能差距,呼吁定制化的领域适配方案。然而,跨语种(特别是韩语)针对金融STS的研究和数据资源仍极为匮乏。
多语种、多来源数据集成:作者收集整理公开授权的6个金融文本语料库(三韩语、三英语),合计逾246万条文档记录,涵盖新闻、披露文件和投资研究,后经筛选与人工审核形成涵盖4.6万句的高质量句子库(详情见表1)。
领域语义漂移分类法:为深入反映金融领域的特殊语义变化,提出四大语义轴:
利用此分类指导深度生成“难负样本”对抗(hard negatives),增强模型辨析相近文本的能力。,3]
构建监督三元组训练集:结合LLM生成与评判机制(GPT-4o及GPT-4.5),构建源句、同义正样本和语义负样本的三元组共18,800组,确保高置信度的语义对齐。并且引入韩英文精确翻译对,强化跨语言语义一致性学习。,3]
现有STS大多基于英文且偏通用领域,难以体现金融用语特征及低资源语言细微语义差异。
为此,设计与发布专属韩语金融STS数据集KorFinSTS,含1,921对句子,涵盖财经新闻、投资报告、披露文件与法规四大细分领域,每对文本均由金融领域专家审校,确保语义打分反映真实金融语境中的细腻区别(例如韩语多义词和语气上的差异)。
表2详细展示数据规模与词汇特征,平均句子长度较长、词汇多样,反映复杂表达需求;相似度评分均值约0.59,标准差0.49,展现丰富的语义跨度。
以18.8k三元组为训练数据,采用温度缩放的三元组负对数似然损失函数(triplet negative log-likelihood loss)优化,确保模型最大化正样本相似度,最小化负样本相似度,在投射空间中强化语义分布的判别力。
选取7个主流且开源许可的预训练嵌入模型作为基线,跨越单语和多语版本(如bge-m3为多语),均在固定硬件条件(4张NVIDIA A100)、固定超参数、仅训练1个epoch下进行微调,排除调参差异,突出三元组数据贡献。
性能提升聚焦金融领域(FinSTS与KorFinSTS):所有模型在金融STS基准上均有不同幅度的提升。特别是多语言bge-m3模型,FinSTS提升+0.0998,KorFinSTS提升+0.2220,表现最优,验证了域适配及跨语言正样本设计的有效性。
通用语料性能折损:细化训练后所有模型在通用STS(英语STS和韩语KorSTS)上的表现均有所下降,部分尤为显著(如bge-en-icl在KorSTS上下降0.46)。这是因模型更聚焦金融语义,忽视了广泛领域的泛化能力,体现了领域特化与多领域性能的天然权衡。
词汇覆盖决定适应效果:对比三种表现不理想的模型(bge-en-icl、gte-Qwen2-1.5B、e5-mistral-7b),发现它们的韩语完整词汇覆盖极低(1.08%以下甚至0%),导致无法充分利用韩英对齐语义正样本。bge-m3的韩语完整词汇比例达到2.17%,足以形成稳固跨语种编码,是其领先的关键原因,说明tokenizer设计和词汇规模在跨语言领域适应中扮演核心角色。
内容描述:展示了收集的六个公开金融语料库的语言类别、数据行数及开源许可类型。
解读意义:采集多语种、多样内容,确保训练集在领域广度与语言覆盖上的均衡,为后续训练模型提供坚实基础。
内容描述:详细描述了新建韩语金融STS数据集的句子对数、四大子域分布、句子平均长度及词汇大小,以评分分布揭示语义差异范围。
解读意义:体现了数据集对金融领域多语种语义细节的良好覆盖和多样性,为低资源语言的细粒度语义评估提供难得资源。
内容描述:列出了七个嵌入模型名称、对应开源许可和语言支持范围。
解读意义:保证对比实验的公正性和开放性,选择范畴覆盖从单语英语到多语模型,彰显实验设计的全面性及对社区贡献的考虑。
内容描述:硬件环境、优化器选择、学习率及训练进度策略的汇总。
解读意义:通过统一高性能GPU,固定AdamW参数和单轮epoch训练,消除训练变异因素,突出数据设计影响。
内容描述:左图显示领域适配前后所有模型的通用STS性能变化,右图显示金融STS性能变化。
解读趋势:
左图:所有模型通用STS表现普遍下降,特别是某些仅支持英语或韩语词汇覆盖不足的模型幅度较大。
右图:金融STS(FinSTS及KorFinSTS)明显提升,表明领域特化带来的收益。
说明:清晰凸显领域专注与通用泛化性能的权衡和bge-m3模型优势。
内容说明:具体数值体现不同模型在英语金融STS、韩语金融STS、通用STS和韩语通用STS的表现及变化。
解读示例:bge-m3由0.1969提升至0.2967(FinSTS),0.0512提升至0.2732(KorFinSTS),通用STS略减。该表定量强调了bge-m3模型优势。
说明每个模型的韩语词汇覆盖情况,bge-m3明显高于其他模型。
关联结论:词汇覆盖度决定了韩英跨语种语义正样本的利用效率,直接影响领域适应表现。
该论文属领域模型技术研发类工作,不涉及传统金融分析中估值方法(DCF、P/E等)的论证,因此无估值部分。
性能折损风险:细分领域调优虽然提高了在金融STS任务中的表现,但不可避免地牺牲了模型在广泛领域和多语言一般STS任务中的效果,模型应用需权衡此特性。
数据与标注可靠性风险:尽管作者使用多层人工审查与LLM助理评分,但自动化生成的硬负样本与合成文档可能仍存在潜在的语义偏差和噪声。
词汇覆盖限制:部分现有模型词汇表覆盖有限,导致跨语言对齐效果差,限制了领域适配的普适性。未来模型设计必须重视tokenizer词汇容量匹配。
低资源语言拓展性:目前研究关注韩英两语对,其他低资源语言适配存在不确定性。模型和数据集扩展依赖于相应语言财务领域语料可得性及专家参与。,6]
权衡视角:研究明确指出领域特化和普适性能间的折衷,体现作者对性能优化方向有清醒且严谨的自知之明。
高依赖LLM生成:训练数据构建大量依赖GPT-4o/4.5生成与评判,虽大幅降低人工成本,但可能引入自动化误差,未详细披露如何防止数据“幻觉”或偏见。
单周期训练限制:训练限制为1个epoch保障公平比较,但限制了模型潜力发挥,未来多轮训练调优或混合多任务训练可能带来更优表现。
未涵盖最新韩语本土模型:未对如kanana-embedding等专门韩语嵌入模型进行比较,这限制了对韩语本土模型跨领域能力的认知。
评价指标单一:虽以Spearman’s ρ衡量相似度效果合理,未来或可结合下游任务评估,提升性能解释力和应用相关性。,6]
本文系统介绍了面向金融领域的跨语言句子嵌入模型NMIXX的设计、训练及评测过程,重点创新包括:
多维金融语义漂移分型:针对金融新闻、投资报告、监管文件和法律文本中细粒度语义变化,构建了切实可用的四轴语义漂移分类,为难负样本生成与模型训练提供理论基础。
高置信度三元组监督数据构建:融合LLM自动标签、生成与人类筛查方法实现18.8k三元组注释,涵盖语言内部同义句与跨语言翻译对,提升模型跨语言语义对齐能力。
新颖韩语金融STS基准KorFinSTS:1,921对句子涵盖丰富金融子领域与语义复杂度,真实反映韩语金融语境,填补该领域跨语言评估空白。
实证验证与跨模型对比:对七个主流开源模型采用固定训练策略微调,显著提升金融STS性能,bge-m3多语言模型表现尤为强劲,证实了tokenizer韩语词汇覆盖对低资源跨语言金融嵌入调优的关键影响。
领域特化与泛化性能权衡:模型在金融任务中得到性能提升,但通用STS效果下降明显,显示专注于金融领域语义牺牲了跨领域通用性,为未来多任务或混合训练策略指明方向。
资源开放与未来研究潜力:公开发布模型与数据,促进社区研究,建议深挖多语言低资源金融语义理解、多词汇表设计、混合训练策略及韩语本土模型的领域整合。
通过精细的语义分析框架和创新数据构建流程,NMIXX奠定了金融领域低资源语言跨语种嵌入技术的坚实基础,推动了金融NLP领域多语言专用嵌入的发展。~6]
本篇论文通过深刻的问题洞察、系统的数据与方法设计、严谨的实证验证,突破了金融领域低资源语言跨语种嵌入模型的发展瓶颈。其提出的NMIXX模型体系和KorFinSTS评测基准值得金融NLP研究与实际金融信息系统建设广泛参考,是跨语言金融文本理解的重要技术里程碑。
2507.09601.pdf