Knowledge-Augmented Large Language Model Agents for Explainable Financial Decision-Making

📄 arXiv: 2512.09440v1 📥 PDF

作者: Qingyuan Zhang, Yuxi Wang, Cancan Hua, Yulin Huang, Ning Lyu

分类: cs.CL

发布日期: 2025-12-10

💡 一句话要点

提出知识增强的大语言模型Agent，用于可解释的金融决策

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 金融决策 大语言模型 知识增强 可解释性 外部知识库

📋 核心要点

  1. 传统金融决策方法依赖参数化知识，缺乏事实一致性，且缺少可追溯的推理链。
  2. 提出一种知识增强的大语言模型Agent，融合外部知识检索、语义表示和推理生成，提升决策可解释性。
  3. 实验结果表明，该方法在准确性、文本生成质量和事实支持方面优于现有方法，验证了其有效性。

📝 摘要（中文）

本研究探索了一种基于知识增强的大语言模型Agent的可解释金融决策推理方法。为了解决传统金融决策方法依赖参数化知识、缺乏事实一致性以及缺少推理链的局限性，提出了一种集成了外部知识检索、语义表示和推理生成的一体化框架。该方法首先编码金融文本和结构化数据以获得语义表示，然后使用相似度计算从外部知识库中检索任务相关的信息。内部表示和外部知识通过加权融合相结合，这确保了流畅性，同时提高了生成内容的事实准确性和完整性。在推理阶段，引入多头注意力机制来构建逻辑链，使模型能够在生成过程中呈现透明的因果关系和可追溯性。最后，模型联合优化任务目标和解释一致性目标，从而提高预测性能和推理可解释性。在金融文本处理和决策任务上的实验表明，该方法在准确性、文本生成质量和事实支持方面优于基线方法，验证了知识增强和可解释推理的有效性。总的来说，所提出的方法克服了传统模型在语义覆盖和推理透明性方面的局限性，并在复杂的金融场景中展示了强大的实际价值。

🔬 方法详解

问题定义：论文旨在解决金融决策中传统方法依赖参数化知识、缺乏事实一致性以及推理过程不透明的问题。现有方法难以提供可解释的决策依据，限制了其在复杂金融场景中的应用。

核心思路：论文的核心思路是利用外部知识库增强大语言模型（LLM）的金融知识，并通过多头注意力机制构建可解释的推理链。通过融合内部表示和外部知识，提高生成内容的事实准确性和完整性，从而实现更可靠、可解释的金融决策。

技术框架：该框架包含三个主要阶段：1) 知识检索：编码金融文本和结构化数据，从外部知识库检索相关信息；2) 知识融合：通过加权融合内部表示和外部知识，生成包含丰富信息的表示；3) 推理生成：利用多头注意力机制构建逻辑链，生成可解释的决策过程。

关键创新：该方法的主要创新在于将外部知识库与大语言模型相结合，并引入多头注意力机制来构建可解释的推理链。与传统方法相比，该方法能够提供更全面、更准确的金融知识，并生成可追溯的决策过程，从而提高决策的可解释性和可靠性。

关键设计：在知识检索阶段，使用相似度计算来选择与任务相关的信息。在知识融合阶段，使用加权融合来平衡内部表示和外部知识的重要性。在推理生成阶段，多头注意力机制用于捕捉不同知识源之间的关系，并构建逻辑链。模型联合优化任务目标和解释一致性目标，以提高预测性能和推理可解释性。

📊 实验亮点

实验结果表明，该方法在金融文本处理和决策任务中，在准确性、文本生成质量和事实支持方面均优于基线方法。具体性能提升数据未知，但整体验证了知识增强和可解释推理的有效性，表明该方法在复杂金融场景中具有强大的实际价值。

🎯 应用场景

该研究成果可应用于智能投顾、风险评估、信贷审批等金融领域。通过提供可解释的决策依据，增强用户对金融产品的信任，并提高金融决策的效率和准确性。未来，该方法有望扩展到其他需要可解释决策的领域，如医疗诊断、法律咨询等。

📄 摘要（原文）

This study investigates an explainable reasoning method for financial decision-making based on knowledge-enhanced large language model agents. To address the limitations of traditional financial decision methods that rely on parameterized knowledge, lack factual consistency, and miss reasoning chains, an integrated framework is proposed that combines external knowledge retrieval, semantic representation, and reasoning generation. The method first encodes financial texts and structured data to obtain semantic representations, and then retrieves task-related information from external knowledge bases using similarity computation. Internal representations and external knowledge are combined through weighted fusion, which ensures fluency while improving factual accuracy and completeness of generated content. In the reasoning stage, a multi-head attention mechanism is introduced to construct logical chains, allowing the model to present transparent causal relationships and traceability during generation. Finally, the model jointly optimizes task objectives and explanation consistency objectives, which enhances predictive performance and reasoning interpretability. Experiments on financial text processing and decision tasks show that the method outperforms baseline approaches in accuracy, text generation quality, and factual support, verifying the effectiveness of knowledge enhancement and explainable reasoning. Overall, the proposed approach overcomes the limitations of traditional models in semantic coverage and reasoning transparency, and demonstrates strong practical value in complex financial scenarios.