💻 computer science

XBRLTagRec: Domain-Specific Fine-Tuning and Zero-Shot Re-Ranking with LLMs for Extreme Financial Numeral Labeling

تقدم الورقة البحثية XBRLTagRec، وهو إطار عمل متكامل يجمع بين نموذج FLAN-T5-Large الذي تم ضبطه بدقة لتوليد الوسوم الدلالية، وبين إعادة الترتيب بنمط "التعلم الصفري" باستخدام ChatGPT-3.5، ليتفوق بشكل كبير على الأساليب الحالية في اختيار وسوم XBRL بدقة لوسم الأرقام المالية.

المؤلفون الأصليون: Gang Hu, Qun Zhang, Jingyao Luo, Yile Jiang, Jing Chai, Haiyan Ding

نُشر 2026-03-27

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Gang Hu, Qun Zhang, Jingyao Luo, Yile Jiang, Jing Chai, Haiyan Ding

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك محاسب مالي تحاول تنظيم مكتبة ضخمة وفوضوية من التقارير الشركات. في كل مرة تذكر فيها شركة رقمًا (مثل "5 ملايين دولار من الأرباح")، يتعين عليك العثور على التسمية الرسمية المثالية لها من قاموس ضخم يحتوي على ما يقرب من 3000 وسم متشابه جدًا في الصوت.

على سبيل المثال، هل هذا الرقم هو "الإيرادات من المبيعات"، أم "إجمالي الربح"، أم "صافي الدخل من العمليات"؟ التسميات متشابهة لدرجة أن الخبراء البشريين غالبًا ما يرتبكون، وحتى أجهزة الكمبيوتر ترتكب الأخطاء عادةً.

تقدم هذه الورقة البحثية XBRLTagRec، وهو "مساعد ذكي" مصمم لحل مشكلة التصنيف هذه. وإليك كيفية عمله، مقسمًا إلى ثلاث خطوات بسيطة باستخدام تشبيه المكتبة:

المشكلة: رف الكتب "المتشابهة"

تخيل مكتبة حيث الكتب مصنفة بأسماء متطابقة تقريبًا.

الكتاب (أ): "الاستثمار في العقارات."
الكتاب (ب): "الاستثمار في العقارات والشراكات."
الكتاب (ج): "القيمة العادلة للاستثمار في العقارات."

إذا سألت جهاز كمبيوتر قياسي: "ابحث عن الكتاب المتعلق بالاستثمارات العقارية"، فقد يمسك بالكتاب الخطأ لأنه جميعها تبدو متشابهة. كانت طرق الكمبيوتر السابقة تشبه أمين مكتبة يخمن بناءً على الكلمات القليلة الأولى؛ لذا غالبًا ما كانوا يختارون الكتاب الخطأ.

الحل: "أمين المكتبة الذكي" المكون من ثلاث خطوات

بنى المؤلفون نظامًا يسمى XBRLTagRec يعمل كفريق مكون من ثلاثة أشخاص فائق الذكاء للعثور على الكتاب الصحيح بالضبط.

الخطوة 1: المترجم (توليد وثيقة الوسم)

أولاً، يأخذ النظام الجملة الفوضوية من التقرير المالي (على سبيل المثال: "حققنا 5 ملايين دولار من صفقاتنا العقارية") ويسأل ذكاءً اصطناعيًا متخصصًا (نسخة معدلة من FLAN-T5) لترجمتها إلى "استعلام بحث".

التشبيه: بدلاً من مجرد الصراخ "عقارات!"، يقوم هذا الذكاء الاصطناعي بإعادة كتابة الجملة إلى وصف تفصيلي: "نحن نبحث عن الوسم الرسمي المتعلق بالقيمة العادلة للأموال المحققة تحديدًا من الشراكات العقارية."
لماذا يساعد ذلك: إنه يحول رقمًا غامضًا إلى جملة وصفية واضحة يسهل مطابقتها.

الخطوة 2: المصنف الأولي (استرجاع التشابه الدلالي)

بعد ذلك، يقارن النظام هذا الوصف التفصيلي بقاموس ضخم يضم 3000 وسم. يستخدم محرك بحث سريع (Sentence-T5) للعثور على أفضل 10 وسوم تبدو الأكثر تشابهًا.

التشبيه: يسحب أمين المكتبة بسرعة 10 كتب تبدو ذات صلة.
العقبة: حتى مع وجود 10 كتب، قد يكون الكتاب المثالي مدفونًا في أسفل المجموعة، أو قد يكون هناك كتابان متشابهان للغاية لدرجة أن أمين المكتبة لا يستطيع التقرير أيهما الصحيح.

الخطوة 3: القاضي الخبير (إعادة الترتيب بدون تدريب مسبق)

هذه هي الخطوة السحرية. يأخذ النظام تلك المرشحات العشرة الأفضل ويسلمها إلى ذكاء اصطناعي فائق الذكاء (مثل ChatGPT-3.5) يعمل كـ "قاضٍ".

التشبيه: تخيل أن أمين المكتبة غير متأكد، فيقوم باستدعاء خبير رفيع المستوى. ينظر الخبير إلى الكتب العشرة، ويقرأ التفاصيل الدقيقة، ثم يقول: "انتظر، الكتاب رقم 3 محدد للغاية، والكتاب رقم 7 عام للغاية. الكتاب رقم 5 هو المطابق بالضبط لوصفنا."
التحول: النظام لا يسأل مرة واحدة فقط. بل يلعب لعبة "الاستبعاد" (إعادة الترتيب التكراري). يقسم الكتب العشرة إلى مجموعتين، ويطلب من الخبير اختيار الأفضل من كل مجموعة، ويكرر هذه العملية عدة مرات. أخيرًا، يقوم بعد الأصوات. الكتاب الذي يفوز بأكبر عدد من الأصوات يتم إعلانه هو الفائز.

لماذا يعد هذا أمرًا هامًا؟

إنه أكثر ذكاءً: من خلال استخدام "القاضي الخبير" لإعادة ترتيب الخيارات، يحقق النظام الدقة بشكل أكبر بكثير من الطرق السابقة.
إنه مرن: النظام مبني مثل قطع "الليغو". إذا كنت تريد استبدال "المترجم" أو "القاضي" بنموذج ذكاء اصطناعي مختلف لاحقًا، يمكنك القيام بذلك بسهولة دون إعادة بناء النظام بالكامل.
النتائج: عندما اختبروه، تفوق هذا النظام الجديد على أفضل الأساليب الحالية بفارق كبير (محسنًا الدقة بنسبة تتراوح بين 2.6% إلى 4.5%). وفي عالم التمويل، حيث تعتمد مليارات الدولارات على دقة البيانات، يعد هذا فوزًا كبيرًا.

باخت مختصر

XBRLTagRec يشبه الترقية من أمين مكتبة يخمن بناءً على أغلفة الكتب إلى فريق يقوم بـ:

إعادة كتابة السؤال بوضوح.
إيجاد أفضل 10 إجابات محتملة.
إجراء مناظرة بين الخبراء للتصويت على الإجابة الأفضل الوحيدة.

يضمن هذا أنه عندما تبلغ شركة عن رقم ما، فإنه يحصل على التسمية الصحيحة بالضبط، مما يجعل البيانات المالية أكثر موثوقية للجميع.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "XBRLTagRec: الضبط الدقيق المتخصص في المجال وإعادة الترتيب الصفري باستخدام النماذج اللغوية الكبيرة لوسم الأرقام المالية المتطرفة."

1. بيان المشكلة

يجب على الشركات المساهمة العامة الإفصاح عن المعلومات المالية باستخدام لغة التقارير الأعمال الموسعة (XBRL)، وهي تنسيق XML قياسي. وتتمثل خطوة حاسمة في هذه العملية في تعيين الوسم (Tag) الصحيح من XBRL تلقائياً لأرقام محددة موجودة في النصوص المالية (على سبيل المثال، مطابقة "1.2 مليار" بـ "القيمة العادلة للاستثمارات في الأوراق المالية").

التحديات الرئيسية:

التشابه الشديد: تحتوي تصنيفات (Taxonomies) الـ XBRL على آلاف الوسوم ذات التعريفات الدلالية شديدة التشابه (مثل التمييز بين "القيمة العادلة للاستثمارات" و"القيمة العادلة للاستثمارات في طريقة الملكية")، مما يجعل التمييز الدقيق أمراً صعباً.
قصور الطرق الحالية:
- التعرف على الكيانات المسماة (NER)/التصنيف: تعاني طرق التعرف على الكيانات المسماة التقليدية أو طرق التصنيف متعدد الوسوم المتطرفة من صعوبة التعامل مع مساحة الوسوم الهائلة، وتفشل في الاستفادة من البنية الدلالية الغنية لتعريفات الوسوم.
- الترميز الثابت: تعتمد العديد من النهج على ترميزات ثابتة للوسوم لا تستفيد بشكل كامل من النص الوصفي لوسوم الـ XBRL.
- اختناقات الترتيب (Ranking): يمكن للنماذج التوليدية إنتاج وسوم مرشحة، لكنها غالباً ما تفتقر إلى آليات قوية لترتيب وتصفية المرشحين شديدي التشابه للعثور على المطابقة المثلى الوحيدة.

2. المنهجية: إطار عمل XBRLTagRec

يقترح المؤلفون إطار عمل XBRLTagRec، وهو إطار متكامل يجمع بين ثلاث وحدات متميزة لحل مشكلة الوسم:

أ. توليد وثيقة الوسم (الضبط الدقيق)

النموذج: يستخدم FLAN-T5-Large الذي تم ضبطه بدقة باستخدام تقنية LoRA (التكيف منخفض الرتبة) لضمان كفاءة المعلمات.
المدخلات: دمج نص تعليمات ( $P$ )، ونص البيان المالي ( $D_i$ )، وسؤال محدد يستهدف رقماً معيناً ( $Q_x$ ).
المخرجات: بدلاً من التنبؤ بمعرف (ID) خام للوسم، يقوم النموذج بتوليد وثيقة وسم دلالية (وصف باللغة الطبيعية للوسم). يتيح هذا النهج الاستفادة من المعلومات الدلالية الغنية الموجودة في تعريفات الوسوم بدلاً من مجرد التسميات.

ب. استرجاع التشابه الدلالي

المُشفّر (Encoder): يستخدم Sentence-T5-XXL لتوليد تضمينات (Embeddings) متجهية كثيفة.
العملية: يتم تشفير وثيقة الوسم المولدة ومقارنتها مع تضمينات جميع وثائق وسوم الـ XBR true الأصلية في التصنيف.
الاختيار: يقوم النظام باسترجاع أكثر 10 مرشحين تشابهاً من حيث وثائق الوسم بناءً على تشابه جيب التمام (Cosine Similarity). وهذا يقلص مساحة البحث من آلاف الوسوم إلى مجموعة محدودة من المرشحين ذوي الاحتمالية العالية.

ج. إعادة الترتيب الصفري باستخدام النماذج اللغوية الكبيرة (LLM)

الآلية: يعمل نموذج لغوي كبير (ChatGPT-3.5) كمعيد ترتيب صفري (Zero-shot re-ranker) لحل حالات الغموض بين أفضل 10 مرشحين.
استراتيجية تكرارية:
1. التصفية: يتم تقسيم المرشحين العشرة الأوائل إلى مجموعتين (مثلاً، 5 وثائق لكل مجموعة).
2. إعادة الترتيب: يتم توجيه النموذج (Prompting) لترتيب هذه المجموعات بناءً على صلتها بوثيقة الوسم المولدة.
3. التكرار: تتكرر هذه العملية لعدة جولات (مثلاً، من 1 إلى 8 جولة) مع مجموعات عشوائية مختلفة للتخفيف من حدة الانحيازات المحلية.
4. التصويت: تقوم آلية التصويت بالتكرار بحساب عدد المرات التي تم فيها ترتيب كل مرشح في المركز الأول عبر جميع الجولات. والوثيقة ذات التكرار الأعلى هي التي يتم اختيارها كتنبؤ نهائي.

3. المساهمات الرئيسية

إطار عمل متكامل (End-to-End): يقترح XBRLTagRec، الذي يربط بين القدرات التوليدية (توليد LLM) والاسترجاع (التشابه الدلالي) والتحسين التكراري (إعادة الترتيب الصفري).
توليد الوثائق الدلالية: يغير النموذج من بارادايم التنبؤ بوسوم منفصلة إلى توليد وثائق وسام دلالية، مما يسمح بتمييز أكثر دقة بين المفاهيم المتشابهة.
إعادة الترتيب التكراري مع التصويت: يقدم استراتيجية إعادة ترتيب متعددة الجولات باستخدام التصويت بالتكرار لاستقرار التنبؤات وتقليل تأثير انحيازات الترتيب المحلية في النماذج اللغوية الكبيرة.
بنية معيارية (Modular): تم تصميم إطار العمل بحدود واضحة بين وحدات التوليد، والاسترجاع، والترتيب، مما يسمح باستبدال المولدات، والمشفرات، ومعيدي الترتيب بمرونة (كما تم إثباته من خلال الاختبار مع GPT-4 وDeepSeek وERNIE).

4. النتائج التجريبية

أُجريت التجارب على مجموعة بيانات FNXL (المستمدة من تقارير 10-K الخاصة بهيئة الأوراق المالية والبورصات الأمريكية)، والتي تحتوي على حوالي 79 ألف جملة وحوالي 143 ألف رقم مُعلق.

الأداء مقابل النماذج المرجعية: تفوق XBRLTagRec على نموذج FLAN-FinXC المتطور وغيره من النماذج المرجعية (FiNER, GalaXC, AttentionXML).
- Hits@1: تحسن بنسبة 2.64% (من 0.8354 إلى 0.8618).
- Macro-F1: تحسن بنسبة 4.34% (من 0.4616 إلى 0.5050).
- Macro-Precision/Recall: أظهر مكاسب ثابتة بنسبة تقارب 4.4%.
دراسات الاستئصال (Ablation Studies - RQ2):
- التكرارات: بلغ الأداء ذروته عند 1-8 تكرارات؛ حيث أدت التكرارات المفرطة (أكثر من 8) إلى عوائد متناقصة أو انخفاض طفيف بسبب المعلومات الزائدة.
- حجم المجموعة: حقق حجم المجموعة 5 (تقسيم أفضل 10 إلى مجموعتين من 5) أفضل توازن بين الأداء والتكلفة الحسابية.
- الترتيب: تفوق الحفاظ على ترتيب تشابه جيب التمام الأصلي داخل المجموعات (Order-Preserving) بشكل كبير على الخلط العشوائي.
التعميم (RQ3): أظهر إطار العمل متانة عبر نماذج لغوية كبيرة مختلفة (ChatGPT-3.5, GPT-4, DeepSeek-V3, ERNIE-3.5)، حيث حقق GPT-4 أعلى الدرجات المطلقة، مما يؤكد قدرة النموذج على التكيف بنظام "التوصيل والتشغيل" (Plug-and-play).

5. الأهمية والخاتمة

الأثر العملي: يعالج إطار العمل اختناقاً حرجاً في أتمتة التقارير المالية، مما يقلل من الجهد اليدوي المطلوب لوسم XBRL ويقلل من أخطاء التوسيم الناتجة عن الغموض الدلالي.
القابلية للتوسع: من خلال الجمع بين الاسترجاع الفعال والاستدلال القوي للنماذج اللغوية الكبيرة، يتوسع النظام بفعالية مع التصنيفات الكبيرة حيث تفشل المصنفات التقليدية.
الاتجاهات المستقبلية: رغم فعاليته، فإن الاعتماد الحالي على استدعاءات واجهة برمجة التطبيقات (API) المتكررة (ChatGPT) يترتب عليه تكاليف حسابية. يهدف العمل المستقبلي إلى استكشاف طرق صفرية أكثر كفاءة ودمج قواعد معرفية خارجية لتقليل زمن الاستجابة والتكلفة بشكل أكبر.

باختصار، يمثل XBRLTagRec تقدماً كبيراً في معالجة اللغات الطبيعية المالية من خلال الاستفادة الفعالة من قدرات الاستدلال الدلالي للنماذج اللغوية الكبيرة لحل مشكلة "البحث عن إبرة في كومة قش" المتمثلة في مطابقة الأرقام المالية لوسوم معيارية شديدة التشابه.