[论文解读] 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 5

一句话总结

本文提出了一种基于规则的方法——基于词典的命名实体识别（Dict-based NER）与基于排序的实体消歧（Rank-based ER），通过利用金融机构（FI）名称根词和后缀的专用词典，提升非结构化金融招股说明书文档中的命名实体识别与消歧效果。该方法在保持与通用命名实体识别（NER）相当召回率的同时，实现了更高的精确率，尤其在标题等非结构化程度较高的部分表现更优。

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.

研究动机与目标

• 为解决从非结构化、半结构化招股说明书文档中准确提取金融机构（FI）名称的挑战，特别是在抵押贷款支持证券（MBS）的语境下。
• 通过利用金融机构名称列表中的领域特定知识，改进金融机构的命名实体识别（NER）与实体消歧（ER）。
• 开发一种专门的基于规则的解决方案，以在不同文档部分实现比通用NER更高的精确率与一致性。
• 探索根词与后缀词典在提升金融文档中常见金融机构名称模式识别效果方面的有效性。
• 提供一个可复用的框架，适用于其他具有相似命名惯例的资产支持证券招股说明书中的金融机构名称提取。

提出的方法

• 该方法基于System T声明式信息抽取平台构建，采用基于规则的策略，并利用针对金融机构名称根词与后缀片段的专用词典。
• 基于词典的NER使用词典匹配功能，结合从多个金融机构名称列表中整理出的根词词典与后缀词典。
• 根词与后缀词典通过分析金融机构名称中的常见模式生成，例如'JPMORGAN'（根词）与'TRUST'（后缀），从而实现名称的系统性重建。
• 基于排序的ER通过评分函数对候选实体进行排序，依据相似度与上下文线索解决模糊提及问题。
• 该方法在超过5,000份resMBS招股说明书文档上进行评估，并与同一平台上通用的ORG NER进行性能对比。
• 定制化包括将标准化列表扩展至包含常见缩写，如'RAMP SERIES'与'TRUST'，以提升召回率。

实验结果

研究问题

• RQ1 基于领域特定根词与后缀词典的基于规则NER系统，是否能在非结构化文档中对金融机构名称的识别上优于通用NER？
• RQ2 所提出的基于词典的NER在不同文档部分的精确率与召回率方面，与通用ORG NER相比表现如何？
• RQ3 根词与后缀词典在多大程度上提升了对金融招股说明书中具有稳定结构模式的金融机构名称的识别效果？
• RQ4 当遇到非标准或依赖上下文的金融机构名称缩写时，基于词典的方法存在哪些局限性？
• RQ5 所提出的方法是否可推广至其他具有相似命名惯例的资产支持证券招股说明书类别？

主要发现

• 基于词典的NER在保持与ORG NER相当召回率的同时，实现了更高的精确率，证明了领域特定词典定制的优势。
• 基于词典的NER在标题与摘要部分均表现出一致的性能，而ORG NER在非结构化程度更高的标题部分表现显著更差。
• 根词与后缀词典方法有效捕捉了常见的金融机构名称模式，减少了通用NER中常见的误报与部分匹配问题。
• 该方法在处理非标准缩写（如'ALTERNATIVE LOAN TRUST'与'ASSET BACKED NOTES SERIES'）时表现不佳，此类情况需依赖词典匹配之外的上下文分析。
• 基于排序的ER通过评分函数优先选择高相似度匹配，显著提升了模糊情况下的实体消歧准确性。
• 研究结论认为，通用NER可通过引入领域特定词典与正则表达式扩展得到增强，表明该方法在其他金融文档类型中也具有广泛适用性。