論文の概要: EFSA: Towards Event-Level Financial Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2404.08681v1
• Date: Mon, 8 Apr 2024 07:36:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-21 19:54:47.221267
• Title: EFSA: Towards Event-Level Financial Sentiment Analysis
• Title（参考訳）: EFSA:イベントレベル金融センチメント分析に向けて
• Authors: Tianyu Chen, Yiming Zhang, Guoxin Yu, Dapeng Zhang, Li Zeng, Qing He, Xiang Ao,
• Abstract要約: 我々は、金融感情分析(FSA)をイベントレベルにまで拡張する。 粗大なイベントカテゴリと細粒なイベントカテゴリからなる分類を設計する。 12,160ドルのニュース記事と13,725ドルのクインタプルを含む大規模な中国のデータセットが、私たちのタスクの新たなテストベッドとして公開されています。
• 参考スコア（独自算出の注目度）: 27.45063543020029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we extend financial sentiment analysis~(FSA) to event-level since events usually serve as the subject of the sentiment in financial text. Though extracting events from the financial text may be conducive to accurate sentiment predictions, it has specialized challenges due to the lengthy and discontinuity of events in a financial text. To this end, we reconceptualize the event extraction as a classification task by designing a categorization comprising coarse-grained and fine-grained event categories. Under this setting, we formulate the \textbf{E}vent-Level \textbf{F}inancial \textbf{S}entiment \textbf{A}nalysis~(\textbf{EFSA} for short) task that outputs quintuples consisting of (company, industry, coarse-grained event, fine-grained event, sentiment) from financial text. A large-scale Chinese dataset containing $12,160$ news articles and $13,725$ quintuples is publicized as a brand new testbed for our task. A four-hop Chain-of-Thought LLM-based approach is devised for this task. Systematically investigations are conducted on our dataset, and the empirical results demonstrate the benchmarking scores of existing methods and our proposed method can reach the current state-of-the-art. Our dataset and framework implementation are available at https://anonymous.4open.science/r/EFSA-645E
• Abstract（参考訳）: 本稿では、金融感情分析～(FSA)をイベントレベルにまで拡張する。 ファイナンシャルテキストからイベントを抽出することは、正確な感情予測につながるかもしれないが、財務テキスト内のイベントの長大かつ不連続性のために、特別な課題がある。 そこで我々は,大まかな,きめの細かいイベントカテゴリからなる分類を設計することで,イベント抽出を分類タスクとして再認識する。 この設定の下では、金融テキストから(企業、業界、大まかなイベント、きめ細かいイベント、感情など)クインタプルを出力するタスクの \textbf{E}vent-Level \textbf{F}inancial \textbf{S}entiment \textbf{A}nalysis~(\textbf{EFSA}) を定式化する。 12,160ドルのニュース記事と13,725ドルのクインタプルを含む大規模な中国のデータセットが、私たちのタスクの新たなテストベッドとして公開されています。 この目的のために, 4-hop Chain-of-Thought LLMベースのアプローチが考案された。 提案手法は,既存の手法のベンチマークスコアを実証し,提案手法が現在の最先端に到達できることを実証した。 私たちのデータセットとフレームワークの実装はhttps://anonymous.4open.science/r/EFSA-645Eで利用可能です。

関連論文リスト

• Extracting Structured Insights from Financial News: An Augmented LLM Driven Approach [0.0]
  本稿では,Large Language Models(LLMs)を活用した財務情報処理手法を提案する。 本稿では,関連企業チッカーを生のニュース記事コンテンツから抽出し,企業レベルで感情分析を行い,要約を生成するシステムを提案する。 当社は、ニュース記事から詳細な企業ごとの感情分析を提供し、市場参加者に利用可能な情報の深みを高めた最初のデータ提供者です。
  論文  参考訳（メタデータ） (2024-07-22T16:47:31Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• TextEE: Benchmark, Reevaluation, Reflections, and Future Challenges in Event Extraction [131.7684896032888]
  イベント抽出のための標準化され、公正で再現可能なベンチマークであるTextEEを提示する。 TextEEは、標準化されたデータ前処理スクリプトと、8つの異なるドメインにまたがる16のデータセットの分割を含む。 TextEEベンチマークで5つの大きな言語モデルを評価し、満足なパフォーマンスを達成するのにどのように苦労しているかを実証した。
  論文  参考訳（メタデータ） (2023-11-16T04:43:03Z)
• MAVEN-Arg: Completing the Puzzle of All-in-One Event Understanding Dataset with Event Argument Annotation [104.6065882758648]
  MAVEN-Argは、イベント検出、イベント引数抽出、イベント関係抽出をサポートする最初のオールインワンデータセットである。 EAEベンチマークでは、(1)162のイベントタイプと612の引数ロールをカバーする包括的なスキーマ、(2)98,591のイベントと290,613の引数を含む大規模なデータスケール、(3)EAEのすべてのタスク変種をサポートする包括的なアノテーションの3つの利点がある。
  論文  参考訳（メタデータ） (2023-11-15T16:52:14Z)
• FinEntity: Entity-level Sentiment Classification for Financial Texts [15.467477195487763]
  金融分野では、特定の金融機関に対する感情を正確に評価するために、エンティティレベルの感情分析を行うことが不可欠である。 ファイナンシャル・ニュースにおけるエンティティレベルの感情分類データセットであるtextbfFinEntityを導入する。
  論文  参考訳（メタデータ） (2023-10-19T01:38:40Z)
• Enhancing Event-Level Sentiment Analysis with Structured Arguments [26.85337814219245]
  我々は、そのタスクを構造化イベントレベルSAとして再定義し、エンド・ツー・エンドイベントレベル感性分析アプローチを提案する。 具体的には、イベントレベルのSAを強化するために、イベント構造情報を明示的に抽出し、モデル化する。 データセットの欠如についても、イベント引数と感情ラベル付きで大規模な実世界のデータセットをリリースしています。
  論文  参考訳（メタデータ） (2022-05-31T02:44:24Z)
• A Generative Approach for Financial Causality Extraction [25.341822852612225]
  因果関係 (Causality) は、金融文書における出来事の最も深い関係を表す。 本稿では,エンコーダ・デコーダ・フレームワークとポインタ・ネットワークを用いた因果抽出手法を提案する。
  論文  参考訳（メタデータ） (2022-04-12T10:05:41Z)
• DSC-IITISM at FinCausal 2021: Combining POS tagging with Attention-based Contextual Representations for Identifying Causal Relationships in Financial Documents [0.0]
  因果検出は、情報検索、イベント予測、質問応答、財務分析、市場調査に応用されている。 本研究では,変換器を用いて財務文書の因果関係を同定し,抽出する手法について検討する。 最適手法は, ブラインドテストにおけるF1スコア0.9551, Exact Matchスコア0.8777を達成する。
  論文  参考訳（メタデータ） (2021-10-31T13:09:19Z)
• FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
  我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。 我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。 その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
  論文  参考訳（メタデータ） (2021-09-01T00:08:14Z)
• ESTER: A Machine Reading Comprehension Dataset for Event Semantic Relation Reasoning [49.795767003586235]
  イベントセマンティックリレーション推論のための包括的な機械学習理解データセットESTERを紹介します。 もっともよく使われるイベント意味関係を5つ検討し、質問応答タスクとして定式化します。 実験の結果、現在のSOTAシステムは、イベントベースF1、トークンベースF1、HIT@1スコアそれぞれ60.5%、57.8%、76.3%を達成した。
  論文  参考訳（メタデータ） (2021-04-16T19:59:26Z)
• Detecting Ongoing Events Using Contextual Word and Sentence Embeddings [110.83289076967895]
  本稿では,OED(Ongoing Event Detection)タスクを紹介する。 目的は、歴史、未来、仮説、あるいは新しいものでも現在のものでもない他の形式や出来事に対してのみ、進行中のイベントの言及を検出することである。 構造化されていないテキストから進行中のイベントに関する構造化情報を抽出する必要があるアプリケーションは、OEDシステムを利用することができる。
  論文  参考訳（メタデータ） (2020-07-02T20:44:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。