論文の概要: Graph-Augmented Retrieval for Cross-Entity Financial Sentiment Analysis: A Comparative Study

• arxiv url: http://arxiv.org/abs/2606.00062v1
• Date: Tue, 19 May 2026 18:55:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.535007
• Title: Graph-Augmented Retrieval for Cross-Entity Financial Sentiment Analysis: A Comparative Study
• Title（参考訳）: クロスエンティティ・ファイナンシャル・センチメント・アナリティクスのためのグラフ強化検索:比較研究
• Authors: Rajan Bastakoti, Sagar Bhetwal, Nirajan Acharya, Gaurav Kumar Gupta,
• Abstract要約: 本稿では,クロスエンタリティ財務感情分析のための標準ベクトルのみのベースラインに対して,新しい2ホップグラフ-RAGアーキテクチャを提案する。 本システムでは,主要技術株を対象とするニュース記事255件から,59件のエクイティエンティティの感情重み付き知識グラフを構築し,INFLUENCESエッジ上での強度フィルタリンググラフによる高密度検索を強化した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) has become foundational for grounding large language models in domain-specific corpora, yet conventional vector-based RAG systems are fundamentally limited in their ability to capture the structured, multi-entity relationships that underpin financial market analysis. This paper presents a comprehensive comparative study of a novel two-hop Graph-RAG architecture versus a standard vector-only baseline for cross-entity financial sentiment analysis. Our system constructs a sentiment-weighted knowledge graph of 59 equity entities from 255 news articles covering 10 major technology stocks, then augments dense retrieval with intensity-filtered graph traversal over INFLUENCES edges to surface relational evidence inaccessible to vector search alone. We evaluate both architectures on 100 grounded queries (30 Direct, 70 Relational) using semantic similarity, entity recall, RAGAS metrics, latency benchmarks, and ablation studies. Graph-RAG achieves a statistically significant improvement in entity recall (+6.4%, p < 0.001, Wilcoxon signed-rank) and delivers substantially more relevant answers for complex multi-entity queries (+11.7% Answer Relevancy), with gains concentrating in relational question types (+16.1%). Critically, these improvements come at no measurable cost to answer quality (delta = +0.001 semantic similarity, Cohen's d = 0.078), with a modest 22.6% increase in mean latency offset by an 80% reduction in latency variance. An ablation study on the graph traversal intensity threshold reveals an inverted-U relationship with answer quality, identifying tau = 0.5 as optimal over the production default of tau = 0.7. These findings characterize a precision-for-coverage trade-off inherent to graph-augmented retrieval and provide actionable architectural guidance for practitioners building RAG systems for multi-entity financial analysis.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、ドメイン固有コーパスにおける大規模言語モデルの基礎となっているが、従来のベクトルベースRAGシステムは、金融市場分析の基盤となる構造化された多元性関係を捉える能力に根本的に制限されている。 本稿では,新たな2脚グラフ-RAGアーキテクチャを,クロスエンタリティ財務感情分析のための標準ベクトルのみのベースラインと比較した。 本システムでは,10の主要技術株を対象とする255件のニュース記事から59件のエクイティエンティティの感情重み付き知識グラフを構築し,INFLUENCESエッジ上での強度フィルタリンググラフトラバーサルを用いて高密度検索を行い,ベクトル探索だけではアクセスできない関係性証拠を提示する。 我々は、セマンティック類似性、エンティティリコール、RAGASメトリクス、レイテンシベンチマーク、アブレーションスタディを用いて、100の接地クエリ(30のダイレクト、70のリレーショナル)で両方のアーキテクチャを評価した。 Graph-RAGは、エンティティリコール(+6.4%, p < 0.001, Wilcoxon signed-rank)の統計的に顕著な改善を実現し、複雑なマルチエンタリティクエリ(+11.7% Answer Relevancy)に対して、より関連性の高い回答を提供する(+16.1%)。 重要な点として、これらの改善は品質(デルタ=+0.001セマンティックな類似性、コーエンのd = 0.078)に答えるために測定可能なコストを伴わない。 グラフトラバース強度閾値に関するアブレーション研究は、答えの品質と逆U関係を示し、Tau = 0.5 を Tau = 0.7 の既定値よりも最適であると同定する。 これらの知見は,グラフ拡張検索に固有の包括的トレードオフを特徴付けるとともに,多国籍財務分析のためのRAGシステムを構築する実践者に対して,実用的なアーキテクチャガイダンスを提供する。

関連論文リスト

• From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG [8.449978933501965]
  本稿では,参照資料を構造化知識グラフに整理するグラフ検索拡張生成(GraphRAG)フレームワークを提案する。 提案手法では,高忠実度グラフ構築のためのMicrosoft GraphRAGとHippoRAGニューロシンボリックアルゴリズムの2相パイプラインを用いる。
  論文  参考訳（メタデータ） (2026-02-28T04:44:06Z)
• Rethinking Retrieval: From Traditional Retrieval Augmented Generation to Agentic and Non-Vector Reasoning Systems in the Financial Domain for Large Language Models [0.0]
  本稿では,ベクトルベースエージェントRAGをハイブリッド検索とメタデータフィルタリングを用いて比較した最初の体系的評価を行う。 検索指標(MRR, Recall@5), LLM-as-a-judgeのペア比較, レイテンシ, 前処理コストを計測する。 以上の結果から,金融Q&Aシステムに先進的なRAG技術を適用することにより,検索精度,回答品質が向上し,生産における費用対効果のトレードオフが考慮されることが明らかとなった。
  論文  参考訳（メタデータ） (2025-11-22T20:06:25Z)
• Repurposing Synthetic Data for Fine-grained Search Agent Supervision [81.95597592711688]
  LLMベースの検索エージェントは、エンティティ中心の合成データに基づいてますます訓練されている。 一般的なトレーニングメソッドは、このリッチなエンティティ情報を破棄し、代わりにスパースで結果に基づく報酬に依存します。 E-GRPO(Entity-Aware Group Relative Policy Optimization)は、高密度なエンティティ認識報酬関数を定式化する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-10-28T17:50:40Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• A Study of Dynamic Stock Relationship Modeling and S&P500 Price Forecasting Based on Differential Graph Transformer [4.6028394466086535]
  動的関係モデリングと価格予測のための差分グラフ変換器フレームワークを提案する。 我々のDGTは連続的なグラフ構造の変化を多面的自己認識に統合する。 クローサル時間的注意は、価格シーケンスのグローバル/ローカル依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2025-06-23T14:53:31Z)
• Is Architectural Complexity Overrated? Competitive and Interpretable Knowledge Graph Completion with RelatE [6.959701672059059]
  RelatEは、エンティティとリレーションの二重表現を効率的に統合する、解釈可能でモジュラーな方法である。 標準ベンチマークにおいて、競争力や優れたパフォーマンスを達成する。 摂動実験では、MRRはTransEと比較して最大61%、RotatEと比較して最大19%減少し、ロバスト性が改善された。
  論文  参考訳（メタデータ） (2025-05-25T04:36:52Z)
• Knowledge Graph-Guided Retrieval Augmented Generation [34.83235788116369]
  本稿では,知識グラフを用いた検索検索生成フレームワークを提案する。 KG$2$RAGは、チャンク間の事実レベルの関係を提供し、得られた結果の多様性と一貫性を改善する。
  論文  参考訳（メタデータ） (2025-02-08T02:14:31Z)
• GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation [83.72561905487447]
  本稿では,新しいグラフ基盤モデル (GFM) である GFM-RAG について紹介する。 GFM-RAGは、複雑なクエリ-知識関係をキャプチャするグラフ構造を理由とする、革新的なグラフニューラルネットワークによって実現されている。 効率とニューラルスケーリング法則との整合性を維持しつつ、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-03T07:04:29Z)
• GRIP: A Graph-Based Reasoning Instruction Producer [47.80560026838563]
  textbfGraphベースのtextbfReasoning textbfInstruction textbfProducer について述べる。
  論文  参考訳（メタデータ） (2024-12-12T01:52:25Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)

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。