論文の概要: Agentic Retrieval of Topics and Insights from Earnings Calls
- arxiv url: http://arxiv.org/abs/2507.07906v1
- Date: Thu, 10 Jul 2025 16:38:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-11 16:40:15.493639
- Title: Agentic Retrieval of Topics and Insights from Earnings Calls
- Title（参考訳）: 話題のエージェント検索とEarningsコールからの洞察
- Authors: Anant Gupta, Rajarshi Bhowmik, Geoffrey Gunow,
- Abstract要約: 四半期決算報告から新興トピックを発見・検索するための LLM-agent 方式を提案する。
抽出したトピックを使用して、企業レベルの洞察と、時間とともに出現するトレンドを推測する。
- 参考スコア（独自算出の注目度）: 4.137418441736385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tracking the strategic focus of companies through topics in their earnings calls is a key task in financial analysis. However, as industries evolve, traditional topic modeling techniques struggle to dynamically capture emerging topics and their relationships. In this work, we propose an LLM-agent driven approach to discover and retrieve emerging topics from quarterly earnings calls. We propose an LLM-agent to extract topics from documents, structure them into a hierarchical ontology, and establish relationships between new and existing topics through a topic ontology. We demonstrate the use of extracted topics to infer company-level insights and emerging trends over time. We evaluate our approach by measuring ontology coherence, topic evolution accuracy, and its ability to surface emerging financial trends.
- Abstract（参考訳）: 決算会見の話題を通じて企業の戦略的焦点を追跡することは、財務分析における重要な課題である。
しかし、産業が発展するにつれて、伝統的なトピックモデリング技術は、出現するトピックとその関係を動的に捉えるのに苦労する。
本研究では, 四半期決算報告から新興トピックの発見と検索を行う LLM-Adnt 方式を提案する。
本稿では,文書からトピックを抽出し,それらを階層的オントロジーに構造化し,トピックオントロジーを通じて新たなトピックと既存のトピックの関係を確立するLLMエージェントを提案する。
抽出したトピックを使用して、企業レベルの洞察と、時間とともに出現するトレンドを推測する。
我々は,オントロジーのコヒーレンス,トピックの進化の正確さ,新たな金融動向を明らかにする能力を用いて,我々のアプローチを評価する。
関連論文リスト
- How do Large Language Models Understand Relevance? A Mechanistic Interpretability Perspective [64.00022624183781]
大規模言語モデル(LLM)は、関連性を評価し、情報検索(IR)タスクをサポートする。
メカニスティック・インタプリタビリティのレンズを用いて,異なるLLMモジュールが関係判断にどのように寄与するかを検討する。
論文 参考訳（メタデータ） (2025-04-10T16:14:55Z) - Qualitative Insights Tool (QualIT): LLM Enhanced Topic Modeling [1.0949553365997655]
本稿では,大規模言語モデルと既存のクラスタリングに基づくトピックモデリングアプローチを統合する新しいアプローチを提案する。
我々は,ニュース記事の大規模コーパスに対するアプローチを評価し,トピックコヒーレンスとトピックの多様性の大幅な向上を実証した。
論文 参考訳（メタデータ） (2024-09-24T00:09:41Z) - The Imperative of Conversation Analysis in the Era of LLMs: A Survey of Tasks, Techniques, and Trends [64.99423243200296]
会話分析(CA)は、会話データから重要な情報を発見し分析する。
本稿では,CAタスクの徹底的なレビューとシステム化を行い,既存の業務を要約する。
会話シーンの再構築,奥行きの属性分析,ターゲットトレーニングの実行,会話の生成から,CAの4つの重要なステップを導出した。
論文 参考訳（メタデータ） (2024-09-21T16:52:43Z) - A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges [60.546677053091685]
大規模言語モデル(LLM)は金融分野における機械学習アプリケーションに新たな機会を開放した。
我々は、従来のプラクティスを変革し、イノベーションを促進する可能性に焦点を当て、様々な金融業務におけるLLMの適用について検討する。
本稿では,既存の文献を言語タスク,感情分析,財務時系列,財務推論,エージェントベースモデリング,その他の応用分野に分類するための調査を紹介する。
論文 参考訳（メタデータ） (2024-06-15T16:11:35Z) - Large Language Models Offer an Alternative to the Traditional Approach of Topic Modelling [0.9095496510579351]
広範テキストコーパス内の話題を明らかにする代替手段として,大規模言語モデル (LLM) の未解決の可能性について検討する。
本研究は, 適切なプロンプトを持つLCMが, トピックのタイトルを生成でき, トピックを洗練, マージするためのガイドラインに固執する上で, 有効な代替手段として目立たせることを示唆している。
論文 参考訳（メタデータ） (2024-03-24T17:39:51Z) - Discovering Latent Themes in Social Media Messaging: A Machine-in-the-Loop Approach Integrating LLMs [22.976609127865732]
ソーシャルメディアメッセージングにおける潜在テーマを明らかにするための新しいアプローチを提案する。
私たちの仕事は、ソーシャルメディアのダイナミックな性質に光を当て、現実の出来事に対するメッセージのテーマ的焦点の変化を明らかにします。
論文 参考訳（メタデータ） (2024-03-15T21:54:00Z) - A Survey of Reasoning with Foundation Models [235.7288855108172]
推論は、交渉、医療診断、刑事捜査など、様々な現実世界の環境において重要な役割を担っている。
本稿では,推論に適応する基礎モデルを提案する。
次に、基礎モデルにおける推論能力の出現の背後にある潜在的な将来方向を掘り下げる。
論文 参考訳（メタデータ） (2023-12-17T15:16:13Z) - Knowledge-Aware Bayesian Deep Topic Model [50.58975785318575]
本稿では,事前知識を階層型トピックモデリングに組み込むベイズ生成モデルを提案する。
提案モデルでは,事前知識を効率的に統合し,階層的なトピック発見と文書表現の両面を改善する。
論文 参考訳（メタデータ） (2022-09-20T09:16:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。