用大模型构建金融NLP知识图谱，追踪生成式AI发展脉络。
MetaGraph: A Large-Scale Meta-Analysis of GenAI in Financial NLP (2022-2025)
- 基于本体引导的LLM抽取，从论文中构建带类型的知识图谱。
- 分析681篇论文发现三阶段演变：任务扩展、风险关注、模块化系统设计。
- 开源资源支持领域趋势复现与持续监测，适合研究者和从业者参考。
自2022年底以来，金融NLP发展迅速，已超越传统叙事性综述。我们提出MetaGraph方法，利用本体引导的大语言模型从科学文献中提取带类型的知識圖譜，實現結構化、大規模趨勢分析。將該方法應用於681篇2022–2025年生成式AI在金融領域的論文，揭示三個階段演變：早期以LLM驅動的任務與數據集擴展，逐漸強調局限性與風險，進而轉向模塊化、系統化方法（如檢索增強設計）。我們公開了生成的資源與工具，以支持可重現的元分析及未來領域監測。
原文摘要 · Abstract (English)
Financial NLP has evolved rapidly since late 2022, outpacing narrative surveys. We introduce MetaGraph, a methodology for extracting typed knowledge graphs from scientific corpora using ontology-guided LLM extraction to enable structured, large-scale trend analysis. Applied to 681 papers on GenAI in Finance (2022-2025), MetaGraph reveals three phases: early LLM-driven expansion of tasks and datasets, growing emphasis on limitations and risk, and a shift toward modular, system-oriented methods (e.g., retrieval-augmented designs). We release the resulting resource and artifacts to support reproducible meta-analysis and future monitoring of the field.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。