A Large-Scale Dataset for Multi-Class Financial News Classification in Brazilian Portuguese
中文摘要
由模型生成 · 人工抽检该论文发布约16万篇巴西葡萄牙语金融新闻的大规模语料库，填补该领域数据集稀缺的空白。作者用人工和LLM两种方式标注子集，并对比余弦相似度、KNN和FAISS三种语义检索分类方法。结果显示任务对标签质量和类别分布高度敏感，人工标注下KNN最佳（准确率47.3%），LLM标注下F1骤降至约20%，凸显高质量人工标注的必要性。
全文
已译中文arXiv:2610.20630v1 公告类型：新
摘要：巴西葡萄牙语金融自然语言处理（NLP）系统的发展受制于领域特定数据集的稀缺。为解决这一问题，我们提出了一个从网络来源收集的、约 160,000 篇巴西葡萄牙语金融新闻文章构成的大规模语料库。为建立基于语义相似度的弱监督多类分类方法的初始基准测试，我们对该语料库的子集分别进行了人工标注和使用大语言模型（LLM）的标注。我们使用多语言语义向量嵌入评估了三种基于相似度的方法——余弦相似度、K-最近邻（KNN）和基于 FAISS 的最近邻搜索。我们的实验表明，该任务对标签质量和类别分布高度敏感。在人工标注子集上，KNN 取得了最佳性能（47.3% 准确率，31.9% F1-score），FAISS 紧随其后。相反，在 LLM 标注子集上，虽然准确率达到约 50%，但 F1-score 降至接近 20%，凸显了标签不平衡和噪声弱标注的负面影响。这些发现为一项具有挑战性的任务建立了基础基线，强调了高质量人工标注的关键需求。最终，该数据集和我们的初步结果为巴西葡萄牙语金融 NLP 的未来研究提供了参考点。
本译文由模型自动生成，仅供参考与快速理解；涉及数字、版本、命令、法律条文等请以原文为准。
原文附件
2 个 · 均跳转原站，本站不托管文件正文为原站公开内容的抓取与清洗结果，英文条目附模型生成的中文译文；两者均仅供参考， 准确内容请以原站为准。内容版权归原作者所有，若认为侵权请联系我们下线。