ترجمه فارسی مقاله افزایش پیش بینی های موفقیت در راه اندازی در سرمایه گذاری: یک روش سری چند متغیره گرافراگ تقویت شده

چکیده

In the Venture Capital(VC) industry, predicting the success of startups is challenging due to limited financial data and the need for subjective revenue forecasts. Previous methods based on time series analysis or deep learning often fall short as they fail to incorporate crucial inter-company relationships such as competition and collaboration. Regarding the issues, we propose a novel approach using GrahphRAG augmented time series model. With GraphRAG, time series predictive methods are enhanced by integrating these vital relationships into the analysis framework, allowing for a more dynamic understanding of the startup ecosystem in venture capital. Our experimental results demonstrate that our model significantly outperforms previous models in startup success predictions. To the best of our knowledge, our work is the first application work of GraphRAG.

چکیده به فارسی (ترجمه ماشینی)

در صنعت سرمایه گذاری (VC) ، پیش بینی موفقیت استارتاپ ها به دلیل داده های مالی محدود و نیاز به پیش بینی درآمد ذهنی چالش برانگیز است.روشهای قبلی مبتنی بر تجزیه و تحلیل سری زمانی یا یادگیری عمیق اغلب کم می شوند زیرا آنها نمی توانند روابط اساسی بین شرکت مانند رقابت و همکاری را در بر بگیرند.با توجه به موضوعات ، ما یک رویکرد جدید را با استفاده از مدل سری زمانی تقویت شده Grahphrag پیشنهاد می کنیم.با گرافراگ ، روشهای پیش بینی سری زمانی با ادغام این روابط حیاتی در چارچوب تجزیه و تحلیل افزایش می یابد و امکان درک پویاتر از اکوسیستم راه اندازی در سرمایه گذاری را فراهم می آورد.نتایج تجربی ما نشان می دهد که مدل ما به طور قابل توجهی از مدل های قبلی در پیش بینی های موفقیت شروع کار بهتر است.به بهترین دانش ما ، کار ما اولین کار کاربردی گرافراگ است.