論文の概要: A Large-Scale Dataset for Multi-Class Financial News Classification in Brazilian Portuguese

• arxiv url: http://arxiv.org/abs/2610.20630v1
• Date: Tue, 29 Sep 2026 19:06:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:02:54.544982
• Title: A Large-Scale Dataset for Multi-Class Financial News Classification in Brazilian Portuguese
• Title（参考訳）: ブラジルポルトガル語におけるマルチクラス財務ニュース分類のための大規模データセット
• Abstract要約: 我々はブラジルの約16万件のブラジルの金融ニュース記事からなる大規模なコーパスをWebソースから収集した。 意味的類似性に基づく弱教師付き多クラス分類手法の初期ベンチマークを確立するために,このコーパスのサブセットを手動およびLarge Language Model (LLM) を用いてアノテートした。 実験の結果,タスクはラベルの品質やクラス分布に非常に敏感であることが判明した。
• 参考スコア（独自算出の注目度）: 1.029973978846716
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The development of Financial Natural Language Processing (NLP) systems for Brazilian Portuguese is hindered by the scarcity of domain-specific datasets. To address this, we present a large-scale corpus of approximately 160,000 Brazilian Portuguese financial news articles collected from web sources. To establish initial benchmarks for a weakly supervised multi-class classification approach based on semantic similarity, we annotated subsets of this corpus both manually and using a Large Language Model (LLM). We evaluated three similarity-based methods -- cosine similarity, K-Nearest Neighbors (KNN), and FAISS-based nearest-neighbor search -- using multilingual semantic embeddings. Our experiments reveal that the task is highly sensitive to label quality and class distribution. On the manually labeled subset, KNN achieved the best performance (47.3% accuracy, 31.9% F1-score), closely followed by FAISS. Conversely, on the LLM-annotated subset, while accuracy reached approximately 50%, F1-scores dropped to near 20%, highlighting the negative impact of label imbalance and noisy weak annotations. These findings establish foundational baselines for a challenging task, underscoring the critical need for high-quality manual annotations. Ultimately, this dataset and our preliminary results provide a reference point for future research in Brazilian Portuguese Financial NLP.
• Abstract（参考訳）: ブラジルポルトガル語のための金融自然言語処理(NLP)システムの開発は、ドメイン固有のデータセットの不足によって妨げられている。 これを解決するため,ブラジルの約16万件のブラジルの金融ニュース記事からなる大規模なコーパスをWebソースから収集した。 セマンティックな類似性に基づく弱教師付きマルチクラス分類手法の初期ベンチマークを確立するために,このコーパスのサブセットを手動およびLarge Language Model (LLM) を用いてアノテートした。 我々は,コサイン類似性(cosine similarity),K-Nearest Neighbors(KNN),FAISSをベースとした近傍探索(neest-neighbor search)の3つの類似性に基づく手法を,多言語セマンティック埋め込みを用いて評価した。 実験の結果,タスクはラベルの品質やクラス分布に非常に敏感であることが判明した。 手動でラベル付けされたサブセットで、KNNは最高のパフォーマンス(47.3%の精度、31.9%のF1スコア)を達成した。 逆に、LLMアノテートされたサブセットでは、精度が約50%に達する一方で、F1スコアは20%近くまで低下し、ラベルの不均衡とノイズの弱いアノテーションの負の影響が強調された。 これらの知見は,高品質な手動アノテーションの必要性を浮き彫りにしながら,課題に対する基礎的基盤線を確立した。 最終的に、このデータセットと予備結果は、ブラジルのポルトガル語金融NLPにおける今後の研究の基準となる。

関連論文リスト

• SlovKE: A Large-Scale Dataset and LLM Evaluation for Slovak Keyphrase Extraction [0.00954904463032233]
  形態学的に豊かな低リソース言語のためのキーフレーズ抽出は現在も検討されている。 著者指定キーフレーズを用いた227,432の科学的要約データセットを構築した。 KeyLLMは、著者によって割り当てられた標準形式に近いキーフレーズを生成する。 統計的手法では,形態的ミスマッチが主流の障害モードであることがわかった。
  論文  参考訳（メタデータ） (2026-03-16T16:47:45Z)
• Binary Token-Level Classification with DeBERTa for All-Type MWE Identification: A Lightweight Approach with Linguistic Enhancement [1.8429656136522097]
  本稿では,バイナリトークンレベルの分類,言語的特徴の統合,データ拡張を組み合わせた,MWE識別のための包括的アプローチを提案する。 我々のDeBERTa-v3大規模モデルは、CoAMデータセット上で69.8%のF1を達成し、このデータセットで最高の結果(Qwen-72B, 57.8% F1)を12ポイント上回り、パラメータは165倍少ない。
  論文  参考訳（メタデータ） (2026-01-27T08:42:54Z)
• HausaMovieReview: A Benchmark Dataset for Sentiment Analysis in Low-Resource African Language [1.3465808629549525]
  本稿では,Hausaにおける5000のYouTubeコメントとコードスイッチによる英語を含む新しいベンチマークデータセットを提案する。 このデータセットを用いて、古典モデルと微調整変換器モデルの比較分析を行う。 精度が89.72%、F1スコアが89.60%のDecision Tree分類器は、ディープラーニングモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-09-17T22:57:21Z)
• Exploring NLP Benchmarks in an Extremely Low-Resource Setting [21.656551146954587]
  本稿では、絶滅危惧言語であるラディンに焦点を当て、特にヴァル・バディアの変種を対象とする。 我々は、単言語イタリア語データを翻訳することで、感情分析とマルチチョイス質問応答(MCQA)のための合成データセットを作成する。
  論文  参考訳（メタデータ） (2025-09-04T07:41:23Z)
• SLRTP2025 Sign Language Production Challenge: Methodology, Results, and Future Work [87.9341538630949]
  第1回手話生産チャレンジはCVPR 2025で第3回SLRTPワークショップの一環として開催された。 コンペティションの目的は、音声言語文からスケルトンポーズのシーケンスに変換するアーキテクチャを評価することである。 本稿では,挑戦設計と入賞方法について述べる。
  論文  参考訳（メタデータ） (2025-08-09T11:57:33Z)
• COMI-LINGUA: Expert Annotated Large-Scale Dataset for Multitask NLP in Hindi-English Code-Mixing [1.2242530642524063]
  COMI-lingUAは、ヒンディー語と英語のコード混成データセットとしては最大である。 5つのコアNLPタスクにわたる125K以上の高品質なインスタンスで構成されている。 各インスタンスには3つのバイリンガルアノテーションがアノテートされ、376K以上の専門家アノテーションが生成される。
  論文  参考訳（メタデータ） (2025-03-27T16:36:39Z)
• Natural Language Processing for Dialects of a Language: A Survey [56.93337350526933]
  最先端自然言語処理(NLP)モデルは、大規模なトレーニングコーパスでトレーニングされ、評価データセットで最上位のパフォーマンスを報告します。 この調査は、これらのデータセットの重要な属性である言語の方言を掘り下げる。 方言データセットにおけるNLPモデルの性能劣化と言語技術のエクイティへのその影響を動機として,我々はデータセットやアプローチの観点から,方言に対するNLPの過去の研究を調査した。
  論文  参考訳（メタデータ） (2024-01-11T03:04:38Z)
• CROP: Zero-shot Cross-lingual Named Entity Recognition with Multilingual Labeled Sequence Translation [113.99145386490639]
  言語間NERは、整列した言語間表現や機械翻訳結果を通じて、言語間で知識を伝達することができる。 ゼロショット言語間NERを実現するために,クロスランガル・エンティティ・プロジェクション・フレームワーク(CROP)を提案する。 多言語ラベル付きシーケンス翻訳モデルを用いて、タグ付けされたシーケンスをターゲット言語に投影し、ターゲットの原文にラベル付けする。
  論文  参考訳（メタデータ） (2022-10-13T13:32:36Z)

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。