027-04

第27回研究会

PDF形式の金融文書における項目-数値間関係を考慮したテーブル情報抽出†

著者†

青野有華, 市川幸史, 近藤浩史, 加藤淳也(日本総合研究所)

概要†

金融文書において，重要な情報はテーブル形式で記載されることもあり，テーブル内の情報抽出は金融データの更なる利活用に向けて重要な役割を果たすと期待される．しかし，企業が共通して開示する文書であっても，企業によってテーブル形式が異なることや，情報抽出の難しいPDF形式で開示される文書も存在することから，現状テーブル情報が抽出され，十分に活用されているとは言い難い．そこで本研究では，PDF形式で開示されている日本語金融文書からのテーブル情報抽出を試みた．我々の手法では、PDF内の罫線情報を利用しテーブル領域およびテーブル内セルを抽出した．その上で列方向に結合したセルの分割について，罫線情報に加え，セル内項目情報および数値情報に着目したBERTによる分割判定モデルを適用した．実験では，株主総会招集通知の文書に含まれるテーブルを対象とした性能評価実験を行い，我々の提案手法が優れた性能を発揮することを確認した．

キーワード†

PDF, テーブル形式, 情報抽出

論文†

04_SIG-FIN-27.pdf