FirmCORe: A Benchmark for Structured Reasoning about Inter-Firm Collaboration Opportunities
作者: Tian Du, Tiantong Wu, Yafei Wang, Mengyu Liu, Xingyan Chen, Mu Wang
分类: cs.AI
发布日期: 2026-09-15
💡 一句话要点
提出FirmCORe以解决企业间合作机会识别问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 企业合作 数据挖掘 机器学习 语言模型 商业智能 中小企业 合作机会识别
📋 核心要点
- 现有方法在企业间合作机会识别上面临数据稀缺与信息碎片化的挑战，尤其对中小企业影响显著。
- 本文提出FirmCORe基准，通过人工标注的企业档案对，支持模型判断合作机会及其强度等信息。
- 实验结果显示，当前大型语言模型在识别合作机会方面表现良好，但在具体类型和角色方向的识别上仍有不足。
📝 摘要（中文）
企业间关系的结构化数据往往稀缺且难以获取，尤其是对于初创企业和中小型企业而言，合作机会的发现受到限制。虽然企业档案易于获取，但仅凭业务相似性无法推断合作潜力。本文提出FirmCORe，一个针对弱结构化企业档案的人工标注基准，包含2805对标记的企业对。模型需判断是否存在合作机会，并预测其强度、主要合作类型及角色方向。FirmCORe还提供中英文平行评估集，便于分析输入语言的敏感性。实验表明，最强模型在机会检测上取得74.51的宏观F1分数，但在具体输出字段的准确匹配率仅为61.57%。
🔬 方法详解
问题定义：本文旨在解决企业间合作机会识别的具体问题，现有方法因数据稀缺和信息碎片化而难以有效识别合作潜力。
核心思路：提出FirmCORe基准，通过人工标注的企业档案对，帮助模型判断合作机会的存在及其强度、类型和角色方向，克服仅依赖业务相似性的问题。
技术框架：整体架构包括数据收集、标注、模型训练和评估四个主要阶段。模型输入为企业档案，输出为合作机会的判断及相关信息。
关键创新：FirmCORe的最大创新在于提供了一个系统化的基准，允许对弱结构化企业档案进行对比分析，填补了现有数据集的空白。
关键设计：模型采用了特定的损失函数以优化机会检测的准确性，并设计了多层次的网络结构以提高对合作类型和角色方向的识别能力。实验中还考虑了语言对模型表现的影响。
🖼️ 关键图片
📊 实验亮点
实验结果显示，最强模型在合作机会检测上取得了74.51的宏观F1分数，表明其在识别广泛合作机会方面的有效性。然而，在具体输出字段的准确匹配率仅为61.57%，显示出在细节识别上的不足。不同模型在语言处理上的表现差异也为未来研究提供了新的方向。
🎯 应用场景
该研究的潜在应用领域包括商业智能、市场分析及创业支持等。通过识别企业间的合作机会，能够帮助中小企业更好地制定战略，促进资源的有效配置与创新合作，进而推动经济发展。未来，该方法可能扩展到其他领域，如供应链管理和技术转移等。
📄 摘要（原文）
Comprehensive structured data on inter-firm relationships is often scarce or inaccessible because many relationships are privately negotiated, selectively disclosed, and fragmented across proprietary databases. This scarcity hinders the discovery of collaboration opportunities, particularly for startups and small and medium-sized enterprises. Firm profiles are readily available, but collaboration potential cannot be inferred from business similarity alone, since similar firms may be competitors, whereas dissimilar firms may offer complementary products, technologies, channels, capabilities, or capital. We present FirmCORe (Inter-Firm Collaboration Opportunity Reasoning), a human-annotated benchmark for pairwise reasoning over weakly structured firm profiles, comprising 2,805 labeled firm pairs. Given two firm profiles, a model must determine whether the available evidence supports a collaboration opportunity and, for positive pairs, jointly predict its strength, primary collaboration type, and role direction. FirmCORe also provides parallel Chinese- and English-language evaluation sets containing identical instances and gold labels, enabling controlled analysis of input-language sensitivity. Experiments with representative locally deployed and hosted large language models (LLMs) show that the strongest model achieves a macro-F1 score of 74.51 for opportunity detection but only 61.57% exact match across all four output fields. Language effects vary across models, and high cross-language agreement can mask errors shared across languages. These results indicate that current LLMs are substantially more reliable at detecting broad collaboration opportunities than at identifying their specific types and role directions.