基于生成式大模型的复杂内容理解及对话平台智能化应用研究

推荐语

深入挖掘金融行业大模型应用，推动智能化服务新高度。

核心内容：
1. 大模型在证券行业的应用背景与前景
2. 私有化部署大模型，实现智能问答、诊股等服务
3. 研究成果：智能客服、投顾、推荐系统的实际效果与数据提升

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

一、研究背景

随着金融领域数据爆炸性增长和客户对智能化服务的不断追求，大型预训练语言模型在证券行业中的应用已成为重要研究方向。大模型在财富管理、合规风控等各业务中具有广泛应用前景，可应用于智能客服、智能投顾和智能投研等场景，提高客户满意度和员工工作效率。

本课题利用证券公司私有专业数据探索大模型在证券行业各业务场景的应用，并利用成熟对接工具快速推广大模型应用。这些研究将有助于解决证券行业痛点问题，推进证券行业智能化进程。

二、研究内容

本课题私有化部署十亿级至百亿级参数规模生成式大模型，为财富、投资、投研、风控等业务提供智能问答、智能诊股、产品介绍等服务。在财富业务方面，智能对话平台可辅助客户经理、客服人员进行客户服务，提升服务效率。在服务客户方面，通过公司交易终端软件提供资讯播报、财富助手、产品介绍等服务，以生动形式触达客户，在业务上实现个性化价值输出，通过技术赋能实现快速创作，降低运营成本；在投研、投行业务及内部应用方面，对研报、公告、募集说明书等复杂内容的智能降维理解，通过对话方式直接触达业务人员，提升其工作效率。

本课题依托公司数据治理体系与专业高质量的金融数据，利用大模型核心能力，构建通用大模型内容理解与智能对话能力，实现了对业务人员的赋能。

图1 大模型应用技术架构

三、研究成果

该课题的核心技术和创新点在公司多个业务场景都获得了良好的效果：

基于智能对话能力的客服场景：客服问答是金融服务领域的常见场景之一，大模型基于积累了大量经验的专业金融知识库，通过与分布式数据搜索引擎结合，对知识库进行分词优化和索引设计，让客服人员快速检索问题信息，并对相关知识进行归纳总结，给出更加综合、全面的答案，大幅提升对客服务效率与质量。

基于投资标的量价分析的智能投顾：本课题创新地将金融学理论框架与大模型融合，应用于零售客户服务。基于投资量价策略、多因子模型以及时间序列分析技术，大模型可用于预测投资标的未来量价异动及可能发生的投资机会与风险，结合投资标的量价模型与客户持仓分析结果，及时揭示客户持仓风险及问题，为客户提供更为专业的投资指导与建议。

基于客户意图识别的智能推荐和搜索：利用生成式大模型技术，对视频、文字、图片等内容进行精准解析，构建多模态内容标签体系。结合客户画像、客户行为等相关数据，通过显式和隐式召回算法相结合方式，将内容与客户进行准确匹配，精准定位相关内容的兴趣客群，建设智能推荐、智能问答、智能搜索、智能推送引擎，通过问答、搜索、推荐、推送等方式进行内容高效个性化分发。

相关数据显示，使用本课题算法后，客户资讯内容点击率提升了21%，交易次数提升9.6倍，资讯阅读后促进交易金额14.4亿元，资讯客户渗透率达10.6%。

基于内容智能降维技术的投顾助手：证券行业信息具有高度的复杂性和专业性，在数据信息方面包括大量的研究报告、投教知识、公告、行情数据、舆情信息以及法律法规等。证券行业的从业人员具备丰富的业务知识和经验，但依靠人力很难实现快速处理多元化和海量的信息。本课题充分利用大模型的优势，对多维异构的优质复杂专业内容进行及时而准确的智能降维解读，提炼出高度概括的业务知识、经济情况、行业走势、产品特色、规章要点等信息，为客户经理、客服人员等专业业务人员提供更准确的信息服务。

图2 智能研报降维系统架构

四、总结展望

近年来，随着大模型技术的飞速发展，为解决证券行业中的痛点、难点提供了技术支撑。本课题通过私有化部署和应用大模型，在客服服务、客户分析、智能推荐、专业文章解析等方面进行了积极的探索和实践，取得了一些成果。未来随着大模型技术的发展，更智能、更可靠、成本更低的大模型会陆续出现，将会更加有效地解决当前行业的所面临的诸多问题与挑战。

注：本课题获评证券信息技术研究发展中心（上海）2023年度行业共研课题三等奖。