Краткое содержание

arXiv:2511.11583v1 Тип: новая статья Аннотация: Большие языковые модели (LLM) демонстрируют потенциал для персонализированных финансовых рекомендаций, но им мешают ограничения контекста, галлюцинации и отсутствие поведенческой обоснованности. Наша предыдущая работа, FLARKO, внедряла структурированные графы знаний (KG) в промпты LLM для согласования рекомендаций с пользовательским поведением и рыночными данными. Данная статья представляет RAG-FLARKO, расширение FLARKO с использованием механизма извлечения, которое преодолевает проблемы масштабируемости и релевантности за счет многоэтапных и параллельных процессов извлечения из графов знаний. Наш метод сначала извлекает поведенчески релевантные сущности из графа транзакций пользователя, а затем использует этот контекст для фильтрации временно согласованных сигналов из рыночного графа, формируя компактный, обоснованный подграф для LLM. Этот конвейер сокращает объем контекста и sharpens фокус модели на релевантной информации. Эмпирическая оценка на наборе данных реальных финансовых транзакций демонстрирует, что RAG-FLARKO значительно повышает качество рекомендаций.