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

抄録

有価証券報告書などの金融文書において，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内のテーブルからの情報抽出を試みた．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．その上でセル内での改行とセルの区切りを区別するために，セル内項目情報および数値情報に着目したBERT ベースの分割判定モデルを構築した．実験では，2 種類のPDF 形式の金融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．