FIRE 是一个金融关系抽取数据集，全称可以理解为 Financial Relation Extraction。它标注了金融领域文本中的实体和关系，支持联合命名实体识别与关系抽取任务。项目包含多种实体类型和关系类型，例如公司、金融实体、数量、日期以及数值变化、属性归属等关系。

金融 AI 如果只做情绪分类或摘要，往往停留在文本层面；如果要构建知识图谱、风险网络、事件库和可推理系统，就必须识别实体之间的关系。比如“某公司收入增长 14%”“某银行收购某资产”“某债券评级下调”“某指标属于某公司某期间”，这些都不是单一实体，而是关系事实。

FIRE 的价值在于提供了金融关系抽取的标注样例和数据结构。它让学习者看到，一个金融文本样本如何被拆成 tokens、entities、relations 等字段，并用于训练模型。对银行数据标注来说，这比泛泛地说“标注金融文本”更具体，因为它展示了实体类型和关系类型应该如何设计。

银行内部有大量适合关系抽取的文本：贷后报告、舆情新闻、监管处罚、合同条款、企业公告、审计意见、法诉信息等。如果能把这些文本中的公司、个人、金额、日期、事件、风险类型、担保关系和股权关系抽取出来，就能构建客户风险知识图谱和预警系统。

• 提供金融领域命名实体和关系标注数据。
• 支持联合实体识别与关系抽取，适合知识图谱和事件抽取。
• 关系类型覆盖数值变化、属性归属、时间和值之间的金融语义。
• 可作为银行风险事件库、客户关系网络和金融知识图谱的标注参考。

FIRE 最适合学习“金融文本如何变成结构化事实”。从原句到实体，再到关系，是金融知识图谱的核心步骤。学习者可以通过它理解标注 schema 的设计难点：实体边界、关系方向、数值与时间绑定、事件触发词和上下文歧义。

对银行来说，FIRE 也提示了人机协同标注的重要性。金融关系抽取不能完全依赖自动模型，尤其在风险、合规和授信场景，关系错误可能导致错误预警或误判客户。

• 金融新闻和公告中的事件关系抽取。
• 客户风险知识图谱、企业关系图谱和舆情事件库构建。
• 贷后管理中的风险事件自动归档。
• 金融文本标注规范和关系 schema 设计。
• 大模型结构化抽取能力评测与微调数据构造。

FIRE 数据规模相对有限，且主要是英文金融文本。真实银行场景中的关系类型会更加复杂，例如担保链、集团关联、实控人、授信敞口、抵押物和诉讼关系等。落地时需要重新设计中文和银行业务适配的标签体系，并进行严格抽样复核。