跨实体金融情绪分析的图增强检索：比较研究

检索增强生成 (RAG) 已成为在特定领域语料库中扎根 大语言模型 的基础，但传统的基于向量的 RAG 系统在捕获支持金融市场分析的结构化、多实体关系的能力方面从根本上受到限制。本文对新颖的两跳 Graph-RAG 架构与用于跨实体金融情绪分析的标准纯向量基线进行了全面的比较研究。我们的系统从涵盖 10 个主要科技股的 255 篇新闻文章中构建了 59 个股票实体的情绪加权知识图，然后通过对影响边缘进行强度过滤图遍历来增强密集检索，以显示仅靠矢量搜索无法访问的关系证据。我们使用语义相似性、实体召回、RAGAS 指标、延迟基准和消融研究，在 100 个基础查询（30 个直接查询、70 个关系查询）上评估这两种架构。 Graph-RAG 在实体召回方面实现了统计上的显着改善（+6.4%，p < 0.001，Wilcoxon 符号排序），并为复杂的多实体查询提供了更加相关的答案（+11.7% 答案相关性），收益集中在关系问题类型（+16.1%）。重要的是，这些改进并没有带来可衡量的答案质量成本（delta = +0.001 语义相似度，Cohen's d = 0.078），平均延迟增加了 22.6%，延迟方差减少了 80%。对图遍历强度阈值的消融研究揭示了与答案质量的倒 U 关系，将 tau = 0.5 确定为优于生产默认值 tau = 0.7 的最佳值。这些发现描述了图增强检索固有的精度与覆盖范围的权衡，并为构建用于多实体财务分析的 RAG 系统的从业者提供了可行的架构指导。