FinGLM
1.0.0
Tautan pertanyaan kompetisi |. Halaman promosi pertanyaan kompetisi
? FinGLM : Berkomitmen untuk membangun proyek model keuangan besar yang terbuka, kesejahteraan masyarakat, dan tahan lama, menggunakan sumber terbuka untuk mempromosikan "keuangan AI +."
[Pembaruan 23/11/2023] Menambahkan konten kursus untuk model ChatGLM-6B generasi ke-1, ke-2, dan ke-3, termasuk PPT, video, dan dokumen teknis.
【Pembaruan 2023/11/17】 Menambahkan solusi baru "Beri nama Terserah"
? Sistem cerdas interaktif percakapan yang dirancang untuk menganalisis laporan tahunan perusahaan tercatat secara mendalam. Menghadapi istilah profesional dan informasi implisit dalam teks keuangan, kami berkomitmen menggunakan AI untuk mencapai analisis keuangan tingkat ahli.
Di bidang AI, meskipun kemajuan telah dicapai dalam dialog teks, skenario interaksi keuangan nyata masih merupakan tantangan besar. Berbagai institusi bersama-sama menyelenggarakan kompetisi ini untuk mengeksplorasi batasan AI di bidang keuangan.
Laporan tahunan perusahaan tercatat menyajikan status operasional perusahaan, status keuangan, dan rencana masa depan kepada investor. Keahlian adalah kunci interpretasi, dan tujuan kami adalah membuat proses ini lebih mudah dan akurat melalui teknologi AI.
PDF ke TXT :
Segmentasi data :
Pengolahan data :
Simpan ke basis data :
Klasifikasi data : seperti data SQL, data ES, dll.
Pilih strategi penyesuaian : seperti ptuningv2, lora, dll.
Lakukan fine-tuning : berdasarkan strategi yang dipilih.
1) Transformasi peristiwa
2) Data sumber terbuka
3) Solusi/kode/model sumber terbuka
4) Komunikasi terbuka
5) Pelajari tutorial
6) Kumpulan sumber daya proyek
Masalah pertama:
pdf2txt.py untuk mengurai file PDF. Masalah kedua:
Blog pengenalan proyek:
[PPT] [Video][Kode]
Proyek ini merupakan integrasi dari Tim Perusahaan Eksplorasi Mata Anshuoshuo berdasarkan proyeknya sendiri dan proyek beberapa tim lainnya. Kami akan terus mengulangi dan meningkatkan proyek ini di masa mendatang.
[PPT] [Video] [Kode] 
[PPT] [Video] [Kode]
[PPT] [Video] [Kode]
[PPT] [Video] [Kode]
[PPT] [Video] [Kode]
[PPT] [Video] [Kode]
[PPT] [Video] [Kode]
[PPT] [Video] [Kode]
[PPT] [Video] [Kode]
[PPT] [Video][Kode]
Kumpulan data sumber terbuka kami mencakup laporan tahunan beberapa perusahaan tercatat dari tahun 2019 hingga 2021. Kumpulan data ini berisi total 11588 file PDF terperinci (daftar). Anda dapat menggunakan konten file PDF ini untuk membangun database atau perpustakaan vektor yang Anda perlukan. Untuk menghindari pemborosan sumber daya komputasi, kami juga mengonversi file terkait menjadi file TXT dan file HTML agar dapat digunakan semua orang.
Ukuran: 69GB Format file: file pdf Jumlah file: 11588
git memuat
# 要求安装 git lfs
git clone http://www.modelscope.cn/datasets/modelscope/chatglm_llm_fintech_raw_dataset.git
pemuatan SDK
# Note:
# 1. 【重要】请将modelscope sdk升级到v1.7.2rc0，执行： pip3 install "modelscope==1.7.2rc0" -f https://modelscope.oss-cn-beijing.aliyuncs.com/releases/repo.html
# 2. 【重要】datasets版本限制为 >=2.8.0, <=2.13.0，可执行： pip3 install datasets==2.13.0
from modelscope.msdatasets import MsDataset
# 使用流式方式加载「推荐」
# 无需全量加载到cache，随下随处理
# 其中，通过设置 stream_batch_size 可以使用batch的方式加载
ds = MsDataset.load('chatglm_llm_fintech_raw_dataset', split='train', use_streaming=True, stream_batch_size=1)
for item in ds:
print(item)
# 加载结果示例（单条，pdf:FILE字段值为该pdf文件本地缓存路径，文件名做了SHA转码，可以直接打开）
{'name': ['2020-03-24__北京鼎汉技术集团股份有限公司__300011__鼎汉技术__2019年__年度报告.pdf'], 'pdf:FILE': ['~/.cache/modelscope/hub/datasets/modelscope/chatglm_llm_fintech_raw_dataset/master/data_files/430da7c46fb80d4d095a57b4fb223258ffa1afe8bf53d0484e3f2650f5904b5c']}
# 备注:
1. 自定义缓存路径，可以自行设置cache_dir参数，即 MsDataset.load(..., cache_dir='/to/your/path')
2. 补充数据加载（从9493条增加到11588条），sdk加载注意事项
a) 删除缓存中的csv映射文件(默认路径为)： ~/.cache/modelscope/hub/datasets/modelscope/chatglm_llm_fintech_raw_dataset/master/data_files/732dc4f3b18fc52380371636931af4c8
b) 使用MsDataset.load(...) 加载，默认会reuse已下载过的文件，不会重复下载。
Catatan: Konversi file format pdf ke txt agar mudah digunakan kembali (satu file rusak, jadi jumlah totalnya kurang 1 dari pdf, total 11587)
# Linux
wget https://sail-moe.oss-cn-hangzhou.aliyuncs.com/open_data/hackathon_chatglm_fintech/alltxt.zip
# Windows示例
Invoke-WebRequest -Uri https://sail-moe.oss-cn-hangzhou.aliyuncs.com/open_data/hackathon_chatglm_fintech/alltxt.zip -OutFile D:\alltxt.zip
Catatan: Konversikan file berformat pdf ke html agar mudah digunakan kembali (satu file rusak, sehingga jumlah totalnya kurang dari pdf, total 11582)
# Linux
wget https://sail-moe.oss-cn-hangzhou.aliyuncs.com/open_data/hackathon_chatglm_fintech/allhtml.zip
# Windows示例
Invoke-WebRequest -Uri https://sail-moe.oss-cn-hangzhou.aliyuncs.com/open_data/hackathon_chatglm_fintech/allhtml.zip -OutFile D:\allhtml.zip
Berikut adalah langkah-langkah yang kami rekomendasikan:
1. Ekstraksi teks dan tabel PDF: Anda dapat menggunakan toolkit seperti pdfplumber dan pdfminer untuk mengekstrak data teks dan tabel dari file PDF.
2. Segmentasi data: Menurut direktori, subdirektori, dan informasi bab file PDF, konten disegmentasi secara akurat.
3. Membangun database keuangan dasar: Rancang bidang dan format database keuangan profesional berdasarkan pengetahuan keuangan dan konten PDF. Misalnya, tentukan neraca, laporan arus kas, laporan laba rugi, dll.
4. Ekstraksi informasi: Gunakan kemampuan ekstraksi informasi model besar dan teknologi NLP untuk mengekstrak informasi bidang keuangan yang sesuai. Misalnya, gunakan mode json untuk menampilkan isi direktori, di mana nama bab digunakan sebagai kunci dan nomor halaman digunakan sebagai nilainya. Pada saat yang sama, harap ekstrak data dalam tabel secara detail dan keluarkan dalam format JSON.
5. Membangun perpustakaan tanya jawab pengetahuan keuangan: Dikombinasikan dengan database keuangan yang dibangun, terapkan model besar untuk membangun perpustakaan tanya jawab keuangan dasar. Misalnya,
{"question"："某公司2021年的财务费用为多少元？", "answer": "某公司2021年的财务费用为XXXX元。"}
prompt:用多种句式修改question及answer的内容。
{"question":"为什么财务费用可以是负的？", "answer": ""}
prompt：请模仿上面的question给出100个类似的问题与对应的答案，用json输出。
6. Membangun perpustakaan vektor: Dengan bantuan teknologi seperti Word2Vec dan Text2Vec, vektor semantik diekstraksi dari data teks asli. Gunakan pgvector, ekstensi berbasis PostgreSQL, untuk menyimpan dan mengindeks vektor-vektor ini guna membangun perpustakaan vektor berskala besar yang dapat ditanyakan secara efisien.
7. Aplikasi: Dikombinasikan dengan perpustakaan vektor, model besar, langchain, dan alat lain untuk meningkatkan efek aplikasi.
Pada Tantangan Model Besar Finansial ChatGLM SMP 2023, kami melaksanakan masing-masing babak penyisihan, semi final A, semi final B, dan semi final C. Untuk putaran kompetisi ini, kami secara manual memberi anotasi pada data yang relevan, dengan total 10.000 entri.
Contoh data:
{ "ID" : 1 ,
"question" : "2019年中国工商银行财务费用是多少元?" ,
"answer" : "2019年中国工商银行财务费用是12345678.9元。" }
{ "ID" : 2 ,
"question" : "工商银行2019年营业外支出和营业外收入分别是多少元?" ,
"answer" : "工商银行2019年营业外支出为12345678.9元，营业外收入为2345678.9元。" }
{ "ID" : 3 ,
"question" : "中国工商银行2021年净利润增长率是多少?保留2位小数。" ,
"answer" : "中国工商银行2020年净利润为12345678.90元，2021年净利润为22345678.90元，根据公式，净利润增长率=(净利润-上年净利润)/上年净利润，得出结果中国工商银行2021年净利润增长率81.00%。" }Pada saat yang sama, kami juga menulis kode review untuk kompetisi tersebut. Kami mengandalkan:
Contoh evaluasi:
{ "question" : "2019年中国工商银行财务费用是多少元?" ,
"prompt" : { "财务费用" : "12345678.9元" , "key_word" : "财务费用、2019" , "prom_answer" : "12345678.9元" },
"answer" : [
"2019年中国工商银行财务费用是12345678.9元。" ,
"2019年工商银行财务费用是12345678.9元。" ,
"中国工商银行2019年的财务费用是12345678.9元。" ]
}Contoh perhitungan evaluasi:
Jawaban 1: Pengeluaran keuangan ICBC pada tahun 2019 adalah 123.456.78,9 yuan.
kalimat yang paling mirip:
Beban keuangan ICBC pada tahun 2019 adalah 12345678,9 yuan. (Skor: 0,9915)
Pengeluaran keuangan Bank Industri dan Komersial Tiongkok pada tahun 2019 adalah 12345678,9 yuan. (Skor: 0,9820)
Pengeluaran keuangan Bank Industri dan Komersial Tiongkok pada tahun 2019 adalah 12345678,9 yuan. (Skor: 0,9720)
Peringkat: 0,25+0,25+0,9915*0,5=0,9958 poin.
Penjelasan penilaian: prom_answer benar, memuat semua kata kunci, dan memiliki kemiripan tertinggi sebesar 0,9915.
Jawaban 2: Pengeluaran keuangan ICBC pada tahun 2019 adalah 335.768,91 yuan.
Peringkat: 0 poin.
Penjelasan penilaian: Kesalahan Prom_answer tidak diberi skor.
Jawaban ketiga: 12345678,9 yuan.
kalimat yang paling mirip:
Beban keuangan ICBC pada tahun 2019 adalah 12345678,9 yuan. (Skor: 0,6488)
Pengeluaran keuangan Bank Industri dan Komersial Tiongkok pada tahun 2019 adalah 12345678,9 yuan. (Skor: 0,6409)
Pengeluaran keuangan Bank Industri dan Komersial Tiongkok pada tahun 2019 adalah 12345678,9 yuan. (Skor: 0,6191)
Peringkat: 0,25+0+0,6488*0,5=0,5744 poin.
Penjelasan penilaian: prom_answer benar, tidak memuat semua kata kunci, dan memiliki kemiripan tertinggi sebesar 0,6488.
{ "id" : 0 , "question" : "2021年其他流动资产第12高的是哪家上市公司？" , "answer" : "2021年其他流动资产第12高的公司是苏美达股份有限公司。" }
{ "id" : 1 , "question" : "注册地址在重庆的上市公司中，2021年营业收入大于5亿的有多少家？" , "answer" : "2021年注册在重庆，营业收入大于5亿的公司一共有4家。" }
{ "id" : 2 , "question" : "广东华特气体股份有限公司2021年的职工总人数为？" , "answer" : "2021年广东华特气体股份有限公司职工总人数是1044人。" }
{ "id" : 3 , "question" : "在保留两位小数的情况下，请计算出金钼股份2019年的流动负债比率" , "answer" : "2019金钼股份流动负债比率是61.10%。其中流动负债是1068418275.97元；总负债是1748627619.69元；" }
{ "id" : 4 , "question" : "2019年负债总金额最高的上市公司为？" , "answer" : "2019年负债合计最高的是上海汽车集团股份有限公司。" }
{ "id" : 5 , "question" : "2019年总资产最高的前五家上市公司是哪些家？" , "answer" : "2019年资产总计最高前五家是上海汽车集团股份有限公司、中远海运控股股份有限公司、国投电力控股股份有限公司、华域汽车系统股份有限公司、广州汽车集团股份有限公司。" }
{ "id" : 6 , "question" : "2020年营业收入最高的3家并且曾经在宁波注册的上市公司是？金额是？" , "answer" : "注册在宁波，2020年营业收入最高的3家是宁波均胜电子股份有限公司营业收入47889837616.15元；宁波建工股份有限公司营业收入19796854240.57元；宁波继峰汽车零部件股份有限公司营业收入15732749552.37元。" }
{ "id" : 7 , "question" : "注册地址在苏州的上市公司中，2020年利润总额大于5亿的有多少家？" , "answer" : "2020年注册在苏州，利润总额大于5亿的公司一共有2家。" }
{ "id" : 8 , "question" : "浙江运达风电股份有限公司在2019年的时候应收款项融资是多少元？" , "answer" : "2019年浙江运达风电股份有限公司应收款项融资是51086824.07元。" }
{ "id" : 9 , "question" : "神驰机电股份有限公司2020年的注册地址为？" , "answer" : "2020年神驰机电股份有限公司注册地址是重庆市北碚区童家溪镇同兴北路200号。" }
{ "id" : 10 , "question" : "2019年山东惠发食品股份有限公司营业外支出和营业外收入分别是多少元？" , "answer" : "2019年山东惠发食品股份有限公司营业外收入是1018122.97元；营业外支出是2513885.46元。" }
{ "id" : 11 , "question" : "福建广生堂药业股份有限公司2020年年报中提及的财务费用增长率具体是什么？" , "answer" : "2020福建广生堂药业股份有限公司财务费用增长率是34.33%。其中，财务费用是7766850.48元；上年财务费用是5781839.51元。" }
{ "id" : 12 , "question" : "华灿光电股份有限公司2021年的法定代表人与上年相比相同吗？" , "answer" : "不相同，华灿光电股份有限公司2020年法定代表人是俞信华，2021年法定代表人是郭瑾。" }
{ "id" : 13 , "question" : "请具体描述一下2020年仲景食品控股股东是否发生变更。" , "answer" : "2020年，仲景食品控股股东没有发生变更。" }
{ "id" : 14 , "question" : "什么是其他债权投资？" , "answer" : "其他债权投资是指企业或机构投资者通过购买债券、贷款、定期存款等金融产品获得的固定收益。这些金融产品通常由政府、公司或其他机构发行，具有一定的信用等级和风险。 n n其他债权投资是企业或机构投资组合中的一部分，通常用于稳定收益和分散风险。与股票投资相比，其他债权投资的风险较低，但收益也相对较低。 n n其他债权投资的管理和投资策略与其他资产类别类似，包括分散投资、风险控制、收益最大化等。然而，由于其他债权投资的种类繁多，其投资和管理也存在一定的特殊性。" }[PPT] [Video][Dokumentasi Teknis]
[PPT] [Video][Dokumentasi Teknis]
[PPT] [Video][Dokumentasi Teknis]
Berikut adalah tim dan individu yang berkontribusi dalam proyek ini:
Proyek sumber terbuka FinGLM sepenuhnya untuk tujuan kesejahteraan masyarakat, dan semua pengembang dipersilakan untuk mendaftar. Tentu saja, kami akan melakukan peninjauan yang ketat. Jika berminat, silakan isi formulirnya.
Sumber daya yang terkait dengan proyek ini hanya untuk penelitian dan komunikasi, dan umumnya tidak direkomendasikan untuk penggunaan komersial. Jika digunakan untuk tujuan komersial, harap menanggung risiko hukum yang timbul.
Jika menyangkut penggunaan model secara komersial, pastikan untuk mengikuti protokol model yang relevan, seperti ChatGLM-6B.
