A systematic Approach to constructing a Chance-and-Risk Matrix for Semiconductor Supply Chains
作者: Ema Salkić, Alexander Fichtl, Philipp Ulrich, Hans Ehm, Marta Bonik, Georg Groh
分类: cs.CL
发布日期: 2026-09-01
备注: Copyright 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works
💡 一句话要点
提出一种系统化方法构建半导体供应链的风险与机会矩阵
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 半导体供应链 风险管理 知识图谱 大型语言模型 信息提取 自动化分析 决策支持
📋 核心要点
- 半导体供应链面临的风险日益增加，现有方法未能有效提取和结构化相关情报。
- 论文提出了一种基于大型语言模型的端到端管道，自动提取和分类风险与机会信息。
- 实验结果显示，该方法生成的评分项有效性高达92.6%，并且自动排名与专家判断具有良好相关性。
📝 摘要（中文）
半导体供应链面临来自地缘政治紧张、地理集中和快速技术变革的风险，但目前缺乏可扩展的系统来持续提取、结构化和优先排序风险情报。本文提出了一种端到端的管道，能够检索半导体公司的企业文档，并利用大型语言模型（LLMs）提取其中描述的风险和机会。该方法将信息组织成知识图谱，链接每个项目的类别、来源和相关事件，并通过合并重复项和三层机制进行排名。应用于五家公司，生成了76,207个评分项，独立检查发现92.6%有效，自动排名与专家判断的斯皮尔曼相关系数分别为0.55和0.72，最终矩阵识别出贸易限制为主要跨公司风险。
🔬 方法详解
问题定义：本文旨在解决半导体供应链中风险情报提取的不足，现有方法无法持续有效地从企业公开披露中提取和结构化风险信息。
核心思路：通过构建一个端到端的管道，利用大型语言模型自动提取企业文档中的风险与机会信息，并将其组织成知识图谱，以便于后续分析和决策。
技术框架：该方法包括文档检索、信息提取、知识图谱构建、重复项合并和三层排名机制等主要模块。首先检索相关文档，然后提取信息并分类，最后通过算法公式、LLM相关性调整和专家验证进行排名。
关键创新：最重要的创新在于结合了大型语言模型与知识图谱的构建，形成了一个系统化的风险与机会识别机制，显著提升了信息提取的效率和准确性。
关键设计：在排名机制中，采用了三层结构，结合算法公式、LLM的相关性调整和专家的验证，以确保最终结果的有效性和可靠性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该管道生成的76,207个评分项中，92.6%被独立检查为有效。自动排名与专家判断的斯皮尔曼相关系数分别为0.55（风险）和0.72（机会），显示出良好的匹配度。
🎯 应用场景
该研究在半导体行业具有广泛的应用潜力，能够帮助企业更好地识别和管理供应链中的风险与机会，从而提升决策效率和市场竞争力。未来，该方法也可扩展至其他行业的风险管理和情报分析领域。
📄 摘要（原文）
Semiconductor supply chains face escalating risks from geopolitical tensions, geographic concentration, and rapid technological shifts, yet no scalable system continuously extracts, structures, and prioritizes risk intelligence from public corporate disclosures. We present an end-to-end pipeline that retrieves corporate documents for semiconductor companies and uses large language models (LLMs) to extract the risks and opportunities they describe. It organizes these into a knowledge graph linking each item to its category, sources, and related events, then merges duplicates and ranks them with a three-layer mechanism combining an algorithmic formula, an LLM relevance adjustment, and expert validation. Applied to five companies across the value chain, the pipeline produces 76,207 scored items, of which an independent check finds 92.6% valid. The automated rankings match expert judgment at an average Spearman correlation of 0.55 for risks and 0.72 for opportunities, and the resulting matrices identify trade restrictions as the dominant cross-company risk.