摘要
金融新闻的多标签分类经常受到不完整和含噪标注的影响，而大规模获取专家标注标签的成本极其高昂。本研究提出了一种弱监督分类框架，将大语言模型（LLM）零样本标注与串行标签校正策略相结合。该框架首先利用大语言模型生成初始弱标签，然后通过两阶段"Correct→Clean"流程对其进行精炼——该流程先通过中心性加权图传播恢复缺失标签，再抑制标签噪声。在Reuters-21578数据集的金融子集上的系统实验表明，在80%缺失标签和15%噪声标签的极端混合腐蚀设置下，Correct→Clean将Micro-F1从0提升至0.6748。在端到端评估中，所提框架使用降维特征实现了0.8882的Micro-F1，恢复了与全监督学习之间88.69%的性能差距。在RCV1 Topics和AAPD数据集上的额外实验证实，Correct→Clean的优势在不同领域和数据集规模下均得到一致复现。这些发现表明，将大语言模型生成的标注与有序标签校正相结合，是应对缺失标签与噪声标签共同影响的有效手段，为专家标注稀缺情况下的金融文本分类提供了一种有前景的方法。
