Resumo Técnico: Recuperação Aumentada por Grafos para Análise de Sentimento Financeiro entre Entidades

Declaração do Problema

A rápida digitalização dos mercados financeiros gerou um volume sem precedentes de dados textuais não estruturados, criando um desafio para a síntese de ações em tempo real. Embora as estruturas de Geração Aumentada por Recuperação (RAG) tenham se tornado fundamentais para fundamentar Modelos de Linguagem de Grande Escala (LLMs) em corpora de domínio específico, as arquiteturas convencionais de RAG baseadas apenas em vetores enfrentam um "platô contextual" na análise financeira especializada.

O artigo identifica três limitações críticas da recuperação baseada puramente em vetores neste domínio:

1. Falta de Consciência Estrutural: A recuperação vetorial trata o texto como fragmentos isolados, falhando em capturar relações estruturadas explícitas (ex: cascata de cadeia de suprimentos, redes de influência de múltiplos saltos) necessárias para a análise de risco sistêmico.
2. Diluição Contextual: A concatenação de múltiplos trechos semanticamente similares frequentemente leva ao fenômeno "perdido no meio" (lost in the middle), onde detalhes cruciais são obscurecidos dentro de contextos de alta densidade de tokens redundantes.
3. Ruído Semântico: A terminologia financeira é altamente suscetível ao ruído; sem um grafo estruturado para separar logicamente as entidades, a sobreposição semântica na recuperação densa pode resultar em erros fatuais.

Além disso, a análise puramente lexical frequentemente negligencia a "contagiosidade de sentimento" — a propagação de sentimento através de documentos e entidades — que é crítica para compreender a dinâmica do mercado.

Metodologia

Os autores propõem e avaliam uma arquitetura Graph-RAG de dois saltos (two-hop) projetada para aumentar a recuperação densa por vetores com a travessia de grafos estruturados. O sistema é construído sobre um corpus de 255 artigos de notícias cobrindo 10 principais ações de tecnologia, resultando em 1.477 fragmentos de notícias distintos e um grafo de conhecimento de 59 entidades de capital.

Arquitetura do Sistema

A metodologia transita da ingestão automatizada de dados para um estudo de recuperação comparativo envolvendo dois pipelines distintos:

1. Ingestão de Dados e Construção do Grafo:

   • Extração de Entidades: O modelo gliner-bi-large-v2.0 realiza o reconhecimento zero-shot de entidades (Ticker de Ação, Índice de Capital, Banco de Investimento, Organização).
   • Ponderação de Sentimento: O FinBERT calcula a polaridade do sentimento. A Intensidade ($I$) relacional entre entidades é definida como a diferença absoluta entre os escores positivos e negativos ($I = |Score_{pos} - Score_{neg}|$).
   • Topologia do Grafo: Um grafo Neo4j é construído onde nós de Ticker conectam-se a nós de Fragmento de Notícia via arestas HAS_NEWS_CHUNK. As relações entre tickers são definidas por arestas direcionadas INFLUENCES, ponderadas pela intensidade do sentimento.

2. Arquitetura de Linha de Base (RAG Geral):

   • Um sistema padrão baseado apenas em vetores usando FAISS para indexação.
   • Recupera os top $k=5$ fragmentos baseados na máxima similaridade de cosseno.
   • O contexto é uma concatenação plana dos textos recuperados sem metadados relacionais.

3. Arquitetura Proposta (2-Hop Graph-RAG):

   • Salto 1 (Âncora Semântica): A busca vetorial identifica os top $k=5$ fragmentos "semente".
   • Salto 2 (Expansão Estrutural): A partir do ticker associado a cada semente, o sistema percorre arestas INFLUENCES onde a Intensidade $> \tau$ (limiar).
   • Reclassificação de Vizinhos (Neighbor Re-ranking): Os fragmentos de notícias associados às entidades vizinhas são recuperados e reclassificados contra a consulta. Apenas os top 2 fragmentos por vizinho com um escore de similaridade $> 0,2$ são adicionados como "Evidência de Rede".
   • Síntese: O LLM recebe um contexto contendo a notícia primária, nomes de entidades conectadas, escores numéricos de sentimento e evidências reclassificadas.

Estrutura de Avaliação

O estudo avalia ambas as arquiteturas em 100 consultas fundamentadas (30 Diretas, 70 Relacionaisais) utilizando:

• Métricas Estatísticas: Similaridade semântica (similaridade de cosseno) e Recall de Entidade, validadas via testes de postos sinalizados de Wilcoxon.
• Framework RAGAS: Métricas sem referência, incluindo Fidelidade (Faithfulness), Relevância da Resposta, Precisão de Contexto e Recall de Contexto.
• Estudo de Ablação: Análise do limiar de intensidade ($\tau$) sobre a qualidade da resposta.

Principais Resultados

1. Desempenho Geral

• Recall de Entidade: O Graph-RAG alcançou uma melhoria estatisticamente significativa de +6,4% ($p < 0,001$) sobre a linha de base, confirmando que a travessia estrutural traz à tona entidades perdidas pela pura similaridade vetorial.
• Relevância da Resposta: O Graph-RAG melhorou em +11,7%, sugerindo que o contexto aumentado por grafo ajuda os LLMs a produzirem respostas mais focadas no tópico.
• Similaridade Semântica: Não houve diferença estatisticamente significativa na qualidade da resposta ($\Delta = +0,001$, $p = 0,281$), indicando que o contexto adicional do grafo não melhorou nem degradou a qualidade central da geração.
• Latência: O Graph-RAG incorreu em um aumento de 22,6% na latência média (9,03s vs. 7,37s), mas demonstrou uma redução de 80% na variância da latência ($\sigma = 0,96$s vs. 4,82s), oferecendo tempos de resposta mais determinísticos.

2. Análise Estratificada por Tipo de Pergunta

Os benefícios do Graph-RAG estão altamente concentrados em consultas relacionais (entre entidades):

• Consultas Relacionais: A Relevância da Resposta melhorou em +16,1%.
• Consultas Diretas (Entidade Única): O desempenho foi comparável entre os sistemas, com o Graph-RAG mostrando um ganho marginal em Precisão de Contexto (+8,6%), mas um compromisso (trade-off) em Recall de Contexto (-11,9%), pois entidades adicionais podem diluir a evidência de um único artigo.

3. Estudo de Ablação: Limiar de Intensidade ($\tau$)

O estudo identificou uma relação em forma de U invertido entre o limiar de intensidade e a qualidade da resposta:

• $\tau = 0,3$: Muito permissivo; introduz evidências irrelevantes, degradando a qualidade.
• $\tau = 0,7$: Muito restritivo; perde relações moderadamente informativas.
• $\tau = 0,5$: Identificado como o equilíbrio ideal, superando o padrão de produção de 0,7 em +0,5% em similaridade semântica.

Significância e Alegações

O artigo caracteriza os achados como um compromisso entre precisão e cobertura inerente à recuperação aumentada por grafos. Os autores alegam que o Graph-RAG não supera uniformemente a recuperação baseada apenas em vetores, mas desloca o ponto de operação para servir melhor tarefas de raciocínio complexas de múltiplas entidades comuns na análise financeira.

Principais contribuições incluem:

1. Eficácia Demonstrada: Prova de que a integração de uma rede de influência especializada permite que os sistemas identifiquem "dissonância de mercado" — instâncias onde narrativas textuais são corrigidas ou enriquecidas por metadados subjacentes.
2. Orientação Arquitetural: A identificação da relação de U invertido para limiares de intensidade fornece orientação prática para ajuste, sugerindo que valores de filtragem extremos são subótimos.
3. Consciência do Tipo de Consulta: Os resultados sugerem que os sistemas de produção devem ser conscientes do tipo de consulta, roteando consultas relacionais para pipelines Graph-RAG enquanto reservam a recuperação baseada apenas em vetores para buscas factuais simples para otimizar a latência e o consumo de tokens.

Os autores observam limitações, incluindo o uso de ground truth gerado por LLM (que pode introduzir um efeito de teto), a escala específica do conjunto de dados de 10 ações e a sobrecarga de latência de implantações Neo4j baseadas em nuvem. Eles concluem que, embora a arquitetura seja agnóstica ao domínio, a validação adicional é necessária para a generalização para outros domínios e grafos de entidades maiores.