[論文レビュー] Exploiting Lists of Names for Named Entity Identification of Financial Institutions from Unstructured Documents

Zheng Xu, Douglas Burdick+1 more|arXiv (Cornell University)|Feb 14, 2016

Data Quality and Management参考文献 10被引用数 5

ひとこと要約

本稿では、金融機関（FI）名のルートおよび接尾語の専門的辞書を活用して、非構造的金融プロスペクタス文書における名前付きエンティティ認識（NER）および解決（ER）を改善するルールベースの手法、Dict-based NER および Rank-based ER を提案する。この手法は、一般的な NER と同等の再現率を維持しつつ、特にヘッダーのような構造の薄いセクションでより高い正確性を達成する。

ABSTRACT

There is a wealth of information about financial systems that is embedded in document collections. In this paper, we focus on a specialized text extraction task for this domain. The objective is to extract mentions of names of financial institutions, or FI names, from financial prospectus documents, and to identify the corresponding real world entities, e.g., by matching against a corpus of such entities. The tasks are Named Entity Recognition (NER) and Entity Resolution (ER); both are well studied in the literature. Our contribution is to develop a rule-based approach that will exploit lists of FI names for both tasks; our solution is labeled Dict-based NER and Rank-based ER. Since the FI names are typically represented by a root, and a suffix that modifies the root, we use these lists of FI names to create specialized root and suffix dictionaries. To evaluate the effectiveness of our specialized solution for extracting FI names, we compare Dict-based NER with a general purpose rule-based NER solution, ORG NER. Our evaluation highlights the benefits and limitations of specialized versus general purpose approaches, and presents additional suggestions for tuning and customization for FI name extraction. To our knowledge, our proposed solutions, Dict-based NER and Rank-based ER, and the root and suffix dictionaries, are the first attempt to exploit specialized knowledge, i.e., lists of FI names, for rule-based NER and ER.

研究の動機と目的

• 非構造的・準構造的なプロスペクタス文書から、特に抵押証券化証券（resMBS）の文脈において、正確な金融機関（FI）名を抽出する課題に対処すること。
• FI名のリストから得られるドメイン固有の知識を活用して、FI における名前付きエンティティ認識（NER）およびエンティティ解決（ER）を改善すること。
• 一般向け NER よりも正確性と一貫性に優れる、ドメイン特化型のルールベースのソリューションを開発すること。
• ルートおよび接尾語の辞書が、金融文書に一般的に見られる FI 名のパターン認識をどのように向上させるかを検証すること。
• 同様の表記規則を有する他の資産担保証券プロスペクタスに適用可能な再利用可能なフレームワークを提供すること。

提案手法

• 本手法は、System T 宣言的情報抽出プラットフォームに基づくルールベースのアプローチであり、FI 名のルートおよび接尾語断片の専用辞書を活用する。
• Dict-based NER は、複数の FI 名リストから抽出されたキュレート済みのルート辞書および接尾語辞書を用いた辞書照合関数を採用する。
• ルートおよび接尾語辞書は、FI 名の共通パターン（例：'JPMORGAN'（ルート）、'TRUST'（接尾語））を分析することで生成され、体系的な名前再構築を可能にする。
• Rank-based ER は、類似度および文脈的手がかりに基づき、コーパス内の候補エンティティをスコアリング関数で順位付けすることで、曖昧な表記の解決を図る。
• 本手法は 5,000 件を超える resMBS プロスペクタス文書を用いて評価され、同じプラットフォーム上での一般向け ORG NER と比較された。
• カスタマイズとして、再現率の向上を目的に、'RAMP SERIES' や 'TRUST' などの一般的な省略形を、Rank-based ER の正規化リストに追加した。

実験結果

リサーチクエスチョン

• RQ1 ドメイン固有のルートおよび接尾語辞書を用いたルールベースの NER システムは、非構造的文書における金融機関名の認識において、一般向け NER を上回る性能を示せるか？
• RQ2 提案手法の Dict-based NER は、文書の異なるセクションにおいて、一般向け ORG NER と比較して正確性と再現率の観点でどのように異なるか？
• RQ3 ルートおよび接尾語辞書は、金融プロスペクタスに共通する構造的パターンに従う FI 名の認識をどの程度向上させるか？
• RQ4 標準的でない、または文脈依存的な FI 名の省略形に対して、辞書ベースのアプローチにはどのような限界があるか？
• RQ5 本手法は、同様の表記規則を有する他の種類の資産担保証券プロスペクタスに一般化可能か？

主な発見

• Dict-based NER は ORG NER と同等の再現率を維持しつつ、より高い正確性を達成した。ドメイン固有の辞書カスタマイズの利点が示された。
• Dict-based NER はヘッダーおよび要約セクションの両方で一貫した性能を示したが、ORG NER は構造の薄いヘッダー部で顕著に性能が低下した。
• ルートおよび接尾語辞書アプローチは、一般向け NER で一般的な誤検出や部分一致を効果的に低減し、共通する FI 名のパターンを的確に捉えた。
• 本手法は、'ALTERNATIVE LOAN TRUST' や 'ASSET BACKED NOTES SERIES' のような非標準的省略形に対しては苦戦し、辞書照合を超えた文脈的分析が不可欠であった。
• Rank-based ER は、類似度の高いマッチを優先するスコアリング関数を活用することで、曖昧なケースにおけるエンティティ解決の正確性を向上させた。
• 本研究の結論として、一般向け NER はドメイン固有の辞書および正規表現拡張を組み合わせることで強化可能であり、他の金融文書タイプへの応用可能性が示唆された。