業績推定とのマルチタスク学習による決算短信からの重要文抽出

• Item type: SIG Technical Reports(1)
• 公開日: 2017-02-03
• タイトル: 業績推定とのマルチタスク学習による決算短信からの重要文抽出
• タイトル / 言語: en
• タイトル: Extractive Summarization of Financial Statement Using Multi-Task Learning
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 文書の品質と可読性
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 東京大学
• 著者所属: 東京大学
• 著者所属: 東京大学
• 著者所属: 東京大学
• 著者所属: 東京大学
• 著者所属: 東京大学
• 著者所属: 東京大学
• 著者所属(英): en
• 著者所属(英): University of Tokyo
• 著者所属(英): en
• 著者所属(英): University of Tokyo
• 著者所属(英): en
• 著者所属(英): University of Tokyo
• 著者所属(英): en
• 著者所属(英): University of Tokyo
• 著者所属(英): en
• 著者所属(英): University of Tokyo
• 著者所属(英): en
• 著者所属(英): University of Tokyo
• 著者所属(英): en
• 著者所属(英): University of Tokyo
• 著者名: 磯沼, 大; 藤野, 暢; 浮田, 純平; 村上, 遥; 浅谷, 公威; 森, 純一郎; 坂田, 一郎
• 著者名(英): Masaru, Isonuma; Toru, Fujino; Jumpei, Ukita; Haruka, Murakami; Kimitaka, Asatani; Junichiro, Mori; Ichiro, Sakata
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年，記事生成などへの自動要約技術の適用が注目されている．本研究では決算短信を対象にした重要文抽出に取り組むが，決算短信への適用には参照要約不足という課題が有る.決算短信の参照要約として，一般にそれを要約し作成された決算記事の利用が考えられるが，決算記事は人手によって作成されるため十分な汎化性能を得るのに不足する場合が多い．一方で，ほぼ全ての決算短信には売上高 ・ 純利益などの業績に関する情報が付与されており，抽出されるべき重要文は業績を反映する文であることが多い．そこで本研究では，重要文抽出の学習に参照要約だけでなく，業績情報を用いる手法を提案する．具体的には，業績推定とのマルチタスク学習を導入し，業績を推定可能な文を抽出するように判別器の学習を行うことで，参照要約が少量の場合においても汎化性能が高い学習モデルを実現する．提案手法を LSTM - RNN に適用し，実際の決算短信と記事を用いた精度検証実験を行った結果，特に訓練データが少量の場合において精度が向上し，かつそれが業績推定の学習によりもたらされたことが確認された．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In this paper, we proposed a methodology of summarizing financial statements which contributes to high quality investment decision-making. In the task of supervised extractive summarization of financial statements, the lack of training data is crucial issue. To solve the issue, we propose a extractive summarization architecture using multi-task learning with financial results prediction. The sentences focused in financial results prediction correspond to the sentences that should be extracted, therefore the learning on financial results prediction contributes to the sentence extraction task. The experiment shows that our model improves the accuracy of summarization especially in the case of few training data.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10114171
• 書誌情報: 研究報告情報基礎とアクセス技術（IFAT）; 巻 2017-IFAT-124, 号 10, p. 1-6, 発行日 2017-02-03
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8884
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会