[论文解读] Generative AI for Business Strategy: Using Foundation Models to Create Business Strategy Tools

Son The Nguyen, Theja Tulabandhula|arXiv (Cornell University)|Aug 27, 2023

Topic ModelingComputer Science被引用 3

一句话总结

本文提出了一种框架，利用基础模型——具体为 GPT-4、基于 Transformer 的命名实体识别（NER）模型以及基于蕴含关系的零样本分类器——从非结构化新闻文本中自动生成动态、随时间变化的有向商业网络。该方法可实现数据驱动的、定量的商业关系洞察（如合作、竞争或中立关系），并通过真实世界验证，准确检测到战略转变，例如苹果公司隐私政策变化对 Facebook 和 Google 的影响。

ABSTRACT

Generative models (foundation models) such as LLMs (large language models) are having a large impact on multiple fields. In this work, we propose the use of such models for business decision making. In particular, we combine unstructured textual data sources (e.g., news data) with multiple foundation models (namely, GPT4, transformer-based Named Entity Recognition (NER) models and Entailment-based Zero-shot Classifiers (ZSC)) to derive IT (information technology) artifacts in the form of a (sequence of) signed business networks. We posit that such artifacts can inform business stakeholders about the state of the market and their own positioning as well as provide quantitative insights into improving their future outlook.

研究动机与目标

• 开发一种自动化、低专家介入的、从非结构化新闻数据构建随时间变化的有向商业网络的方法。
• 使商业利益相关方可借助 NLP 驱动的网络抽象，对市场动态、企业定位及战略影响进行定量评估。
• 通过使用零样本和指令微调的基础模型，克服静态规则方法或监督式关系抽取的局限性。
• 为推导出的网络中关系的符号和权重提供可解释的、由 GPT-4 生成的说明。
• 展示该框架检测真实世界战略转变的能力，例如苹果公司政策变化对竞争对手的影响。

提出的方法

• 使用微调后的基于 Transformer 的命名实体识别（NER）模型，从新闻标题和文本中提取组织实体。
• 应用基于蕴含关系的零样本分类器（ZSC），在无需标注训练数据的情况下推断实体对之间的关系极性（正面、负面、中性）。
• 构建一系列有向商业网络，其中节点为公司，加权边表示关系情感，随时间动态更新。
• 利用 GPT-4 为推断出的边符号和权重生成自然语言说明，增强可解释性。
• 在流水线中集成多个基础模型：NER → ZSC → 网络构建 → GPT-4 说明生成。
• 使用真实新闻数据验证该框架，包括苹果公司 App Store 隐私政策变更等重大事件。

实验结果

研究问题

• RQ1 基础模型能否有效组合，以实现从非结构化新闻文本中生成动态、有向商业网络，且人工干预极少？
• RQ2 零样本分类器在新闻内容中检测公司之间正面、负面或中性关系的准确性如何？
• RQ3 GPT-4 能否为网络中推断出的关系提供可靠且人类可理解的解释？
• RQ4 该框架在多大程度上能够检测并反映真实世界的战略转变，例如苹果公司隐私政策对竞争对手的影响？
• RQ5 与传统静态或监督式关系抽取方法相比，该方法在捕捉市场动态方面表现如何？

主要发现

• ZSC 模型以 0.95 的置信度正确识别出标题 'Apple’s Stunning $10 Billion Blow to Facebook' 中苹果与 Facebook 之间的负面关系。
• 该框架检测到苹果的隐私政策变更对 Snap 和 Facebook 产生负面影响，但对 Google 有利，ZSC 得分分别为 0.97 和 0.96。
• GPT-4 为边符号提供了连贯且基于上下文的解释，例如将 'malign' 解释为对 TikTok 的负面意图。
• 系统捕捉到了苹果政策变更后关系的变化，网络快照显示对 Facebook 和 Google 的负面联系显著增加。
• 该方法优于传统 n-gram 模型，后者因特征权重问题未能将 'compete' 识别为负面关系。
• 该方法在无需标注训练数据或领域特定微调的情况下，展示了生成可解释、随时间变化的有向网络的可行性。