特許 7560595 ニュースラベリングシステム及びニュースラベリングサーバ

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2024-09-24

(45)【発行日】2024-10-02

(54)【発明の名称】ニュースラベリングシステム及びニュースラベリングサーバ

(51)【国際特許分類】

   G06F 16/951 20190101AFI20240925BHJP

   G06Q 40/06 20120101ALI20240925BHJP

【ＦＩ】

G06F16/951

G06Q40/06

【請求項の数】 9

(21)【出願番号】P 2023055813

(22)【出願日】2023-03-30

【審査請求日】2023-03-30

【新規性喪失の例外の表示】特許法第３０条第２項適用 ＜１＞ （１）ウェブサイトの掲載日 令和４年７月４日 （２）ウェブサイトのアドレス ｈｔｔｐｓ：／／ｗｗｗ．ｔｒ．ｍｕｆｇ．ｊｐ／ｉｐｐａｎ／ｒｅｌｅａｓｅ／ｐｄｆ＿ｍｕｔｂ／２２０７０４＿１．ｐｄｆ （３）公開者 三菱ＵＦＪ信託銀行株式会社 （４）公開された発明の内容 三菱ＵＦＪ信託銀行株式会社が、上記ウェブサイトにて、橋本育子及び菊地剛正が発明した「ニュースラベリングシステム及びニュースラベリングサーバ」について、「ＡＩ活用によるネガティブニュース記事ラベリングシステムの共同開発について」という記事により公開した。 ＜２＞ （１）ウェブサイトの掲載日 令和４年７月４日 （２）ウェブサイトのアドレス ｈｔｔｐｓ：／／ｍｉｌｉｚｅ．ｃｏ．ｊｐ／ｎｅｗｓ／２０２２０７０４＿３１９４ （３）公開者 株式会社ＭＩＬＩＺＥ （４）公開された発明の内容 株式会社ＭＩＬＩＺＥが、上記ウェブサイトにて、橋本育子及び菊地剛正が発明した「ニュースラベリングシステム及びニュースラベリングサーバ」について、「ＡＩとＦｉｎｔｅｃｈのＭＩＬＩＺＥは、ＡＩ活用によるネガティブニュース記事ラベリングシステムを三菱ＵＦＪ信託銀行と共同開発」という記事により公開した。 ＜３＞ （１）発行日 令和５年２月２３日 （２）刊行物 金融ＡＩ成功パターン、第３０２～３１７頁、株式会社日経ＢＰ （３）公開者 株式会社日経ＢＰ （４）公開された発明の内容 株式会社日経ＢＰが、金融ＡＩ成功パターン、第３０２～３１７頁にて、橋本育子及び菊地剛正が発明した「ニュースラベリングシステム及びニュースラベリングサーバ」について、「第１３章ネガティブニュースラベリングＡＩ」という記事により公開した。

(73)【特許権者】

【識別番号】397041185

【氏名又は名称】三菱ＵＦＪ信託銀行株式会社

(74)【代理人】

【識別番号】100141025

【弁理士】

【氏名又は名称】阿久津 勝久

(74)【代理人】

【識別番号】100147599

【弁理士】

【氏名又は名称】丹羽 匡孝

(74)【代理人】

【識別番号】100098589

【弁理士】

【氏名又は名称】西山 善章

(72)【発明者】

【氏名】橋本 育子

(72)【発明者】

【氏名】菊地 剛正

【審査官】原 秀人

(56)【参考文献】

【文献】特開２００５－１００２２２（ＪＰ，Ａ）

【文献】特開２００４－２５２９７１（ＪＰ，Ａ）

【文献】米国特許出願公開第２０２２／０３２７５６７（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ １６／００－１６／９５８

Ｇ０６Ｑ ４０／０６

(57)【特許請求の範囲】

【請求項1】

投資に関するニュースを含む複数のニュース情報をラベリング又は分類するニュースラベリングサーバであって、
前記ニュースラベリングサーバは、前記ニュース情報を取得する情報取得部と、前記情報取得部により取得された前記ニュース情報を記憶する取得情報データベースと、前記ニュース情報を前記取得情報データベースから読出してＡＩモデルを用いて処理するＡＩ処理部と、ＡＩ処理部により処理されたＡＩ処理済みニュース情報を記憶するＡＩ処理情報データベースとを備え、
前記ニュースラベリングサーバの制御部又は前記ＡＩ処理部が、前記ニュース情報に含まれる企業名に対するマスキング処理を実行した後、前記ＡＩ処理部は、前記ニュース情報を複数のラベル又は分類にラベリング又は分類する処理と、前記複数のラベル又は分類ごとに、前記ニュース情報をスコアリングする処理とを実行する、ニュースラベリングサーバ。

【請求項2】

請求項１に記載のニュースラベリングサーバにおいて、
前記ニュース情報は、投資に関するネガティブ情報を含む、ニュースラベリングサーバ。

【請求項3】

請求項１に記載のニュースラベリングサーバにおいて、
前記複数のラベル又は分類は、ＡＭＬ（アンチマネーロンダリング）又は経済制裁に関するラベルＡ、投資又は経済活動に関するラベルＢ、及び所定の用語（例えば、ネガティブワード）に関するラベルＣを少なくとも含む、ニュースラベリングサーバ。

【請求項4】

請求項１に記載のニュースラベリングサーバにおいて、
前記情報取得部は、ＡＰＩを用いて外部装置から前記ニュース情報を取得するＡＰＩ情報取得部、及び／又はウェブスクレイピングを用いて前記ニュース情報を取得するスクレイピング情報取得部である、ニュースラベリングサーバ。

【請求項5】

請求項１に記載のニュースラベリングサーバにおいて、
前記マスキング処理は、前記企業名を異なる文字列に変換する処理である、ニュースラベリングサーバ。

【請求項6】

請求項１に記載のニュースラベリングサーバにおいて、
前記ＡＩモデルは、自然言語処理技術（例えば、ＢＥＲＴ）を用いる、ニュースラベリングサーバ。

【請求項7】

請求項１に記載のニュースラベリングサーバにおいて、
前記ニュースラベリングサーバは、前記ＡＩ処理済みニュース情報を、端末装置に送信する、ニュースラベリングサーバ。

【請求項8】

請求項１に記載のニュースラベリングサーバにおいて、
前記複数のラベル又は分類は、環境問題（例えば、気候変動問題等）への配慮及び／又は社会課題への取り組みに関するラベルＡ、並びに所定の肯定的用語（例えば、持続可能な開発目標（ＳＤＧｓ）関連）に関するラベルＢを少なくとも含む、ニュースラベリングサーバ。

【請求項9】

請求項１～８のいずれか一項に記載のニュースラベリングサーバと、前記ニュースラベリングサーバから前記ＡＩ処理済みニュース情報を受信する端末装置とから構成される、ニュースラベリングシステム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ニュース情報をラベリングするニュースラベリングシステム及びニュースラベリングサーバに関する。

【背景技術】

【0002】

国内外のマーケットを対象とした市場運用業務において、投資の意思決定などにあたり多種多様な情報の収集及び分析を分析担当者が人手で行っていた。しかしながら、複数の情報ソースが配信する大量のビジネス関連情報の中から、投資判断に影響を与え得る各種情報（ネガティブニュース、官公庁又は企業のネガティブな発表等）を抽出し、短時間で分析・吟味していた。

【0003】

例えば、収集される情報ソースは、国内外の、ニュース記事、企業発信情報、及び官公庁又は公的機関の発表等（以下、「ニュース情報」という）である。分析担当者は、ニュース情報から企業名やキーワード等で検索して必要なニュース情報を抽出し、読み込んで重要なニュース情報か否かを判断していた。

【0004】

一方、特許文献１には、単語埋め込みプロセスに基づく機械学習手段によってテキストを分類し、モデレートする（単語を隠す）技術およびシステムが開示されている（要約書、請求項１）。

【先行技術文献】

【特許文献】

【0005】

【文献】特表２０２２－５０６２７４号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

上述した市場運用業務において、投資判断に影響を与え得るニュース情報を抽出し、短時間で分析・吟味するには、分析担当者に相応の知見と時間を要するため、業務堅確性と効率性の観点で課題となっていた。

【0007】

なお、特許文献１のシステムは、特定のコメントのテキストが、クライアントマシンのディスプレイ上のテキストを隠される（請求項１）ため、担当者がニュース記事を判断することできない。

【0008】

そこで、本発明は、投資判断に影響を与え得るニュース情報を分析担当者等の人手を介さずに複数のラベルにラベリング可能なニュースラベリングシステム及びニュースラベリングサーバを提供する。

【課題を解決するための手段】

【0009】

本発明の各態様例は次の通りである。
［態様例１］
投資に関するニュースを含む複数のニュース情報をラべリング又は分類するニュースラベリングサーバであって、
前記ニュースラベリングサーバは、前記ニュース情報を取得する情報取得部と、前記情報取得部により取得された前記ニュース情報を記憶する取得情報データベースと、前記ニュース情報を前記取得情報データベースから読出してＡＩモデルを用いて処理するＡＩ処理部と、ＡＩ処理部により処理されたＡＩ処理済みニュース情報を記憶するＡＩ処理情報データベースとを備え、
前記ＡＩ処理部は、前記ニュース情報を複数のラベル又は分類にラべリング又は分類する処理と、前記複数のラベル又は分類ごとに、前記ニュース情報をスコアリングする処理とを実行する、ニュースラベリングサーバ。

【0010】

［態様例２］
態様例１に記載のニュースラベリングサーバにおいて、
前記ニュース情報は、投資に関するネガティブ情報を含む、ニュースラベリングサーバ。
［態様例３］
態様例１に記載のニュースラベリングサーバにおいて、
前記複数のラべリング又は分類は、ＡＭＬ（アンチマネーロンダリング）又は経済制裁に関するラベルＡ、投資又は経済活動に関するラベルＢ、及び所定の用語（例えば、ネガティブワード）に関するラベルＣを少なくとも含む、ニュースラベリングサーバ。
［態様例４］
態様例１に記載のニュースラベリングサーバにおいて、
前記情報取得部は、ＡＰＩを用いて外部装置から前記ニュース情報を取得するＡＰＩ情報取得部、及び／又はウェブスクレイピングを用いて前記ニュース情報を取得するスクレイピング情報取得部である、ニュースラベリングサーバ。

【0011】

［態様例５］
態様例１に記載のニュースラベリングサーバにおいて、
前記ニュースラベリングサーバの制御部又は前記ＡＩ処理部が、前記ニュース情報に含まれる企業名に対するマスキング処理を実行した後、前記ＡＩ処理部が、前記ラべリング又は分類する処理を実行する、ニュースラベリングサーバ。
［態様例６］
態様例１に記載のニュースラベリングサーバにおいて、
前記ＡＩモデルは、自然言語処理技術（例えば、ＢＥＲＴ）を用いる、ニュースラベリングサーバ。
［態様例７］
態様例１に記載のニュースラベリングサーバにおいて、
前記ニュースラベリングサーバは、前記ＡＩ処理済みニュース情報を、前記端末装置に送信する、ニュースラベリングサーバ。
［態様例８］
態様例１に記載のニュースラベリングサーバにおいて、
前記複数のラべリング又は分類は、環境問題（例えば、気候変動問題等）への配慮及び／又は社会課題への取り組みに関するラベルＡ、並びに所定の肯定的用語（例えば、持続可能な開発目標（ＳＤＧｓ）関連）に関するラベルＢを少なくとも含む、ニュースラベリングサーバ。
［態様例９］
態様例１～８のいずれか一項に記載のニュースラベリングサーバと、前記ニュースラベリングサーバから前記ＡＩ処理済みニュース情報を受信する端末装置とから構成される、ニュースラベリングシステム。

【発明の効果】

【0012】

本発明のニュースラベリングシステム、及びニュースラベリングサーバは、投資判断に影響を与え得るニュース情報を分析担当者等の人手を介さずに、ＡＩを用いて複数のラベルにラベリングするとともに、ラベリングしたニュース情報をスコアリングすることができる。

【図面の簡単な説明】

【0013】

【図1】本発明の実施形態に係るニュースラベリングシステムを含むネットワーク図である。

【図2】図１のニュースラベリングサーバを示すブロック図である。

【図3】図１の端末装置を示すブロック図である。

【図4】図１のニュースラベリングシステムが実行するフローチャートである。

【図5】図１の端末装置に表示される検索画面の図である。

【図6】図１の端末装置に表示される詳細画面の図である。

【発明を実施するための形態】

【0014】

本発明のニュースラベリングシステム、及びニュースラベリングサーバに関する実施形態を、図面を参照して説明する。本発明においてラベリング（分類）されるニュース情報は、「ネガティブニュース」に限定されず投資判断に影響を与える任意の情報を含む。本発明の実施形態に係るニュースラベリングサーバは、１つのサーバに限定されず、複数のサーバ又はクラウドサーバから構成されてもよい。

【0015】

［ニュースラベリングシステム］
本発明の実施形態に係るニュースラベリングシステム１０００は、図１のブロック図に示すように構成される。ニュースラベリングシステム１０００は、ニュースラベリングサーバ２００と、ニュースラベリングサーバ２００にインターネット３００等の通信回線を介して接続される複数の端末装置４００（４００Ａ，４００Ｂ）とから構成される。端末装置４００は、好ましくは、スマートフォン４００Ａ、パーソナルコンピュータ４００Ｂ、またはタブレット端末とすることができる。なお、インターネット３００には、投資判断に影響を与えるニュース情報を提供するニュース情報サーバ５００、投資判断に影響を与えるニュース情報を提供する官公庁又は公的機関の官公庁情報サーバ６００が通信可能に接続されている。

【0016】

次に、ニュースラベリングシステム１０００に含まれるニュースラベリングサーバ２００の構成を図２を用いて説明する。ニュースラベリングサーバ２００は、外部装置と通信するための通信部２１０と、ＡＰＩ（Application Programming Interface）を用いて外部装置からニュース情報を取得（データ連携）するＡＰＩ情報取得部２２０と、ウェブスクレイピングを用いて自動的に外部装置からニュース情報を取得するスクレイピング情報取得部２３０と、ＡＩ（人工知能）を用いて外部装置から取得した情報を処理するＡＩ処理部（ニュースラベリングＡＩ）２４０とを備える。

【0017】

外部装置は、例えば、端末装置４００、ニュース情報サーバ５００、又は官公庁情報サーバ６００とすることができる。ＡＰＩ情報取得部２２０は、少なくとも１つのニュース情報サーバ５００から所定の条件に基づきニュース情報を取得する。スクレイピング情報取得部２３０は、少なくとも１つの官公庁情報サーバ６００から所定の条件に基づきニュース情報をスクレイピング（抽出）する。

【0018】

ニュースラベリングサーバ２００は、さらに、ＡＰＩ情報取得部２２０及びスクレイピング情報取得部２３０が取得したニュース情報を記憶する取得情報データベース２５０と、ＡＩ処理部２４０が処理したＡＩ処理情報を記憶するＡＩ処理情報データベース２６０と、各部の設定やＡＩ処理部等の各部に調整値等を入力する入力部２７０と、各部の動作を制御する制御部２８０と、各部の間でデータを伝送するデータバス２９０とを備えている。なお、API情報取得部２２０、スクレイピング情報取得部２３０、ＡＩ処理部２４０は、ＣＰＵ又はＧＰＵ等から構成することができる。

【0019】

端末装置４００は、図３に示すように、ニュースラベリングサーバ２００と通信するための通信部４１０と、ニュースラベリングサーバ２００から送信されたＡＩ処理情報を表示する表示部４２０（ディスプレイ）と、ユーザによる各種操作入力を受け付ける入力部４４０と、各部の動作を制御する制御部４５０（ＣＰＵ等）とを備える。

【0020】

ＡＰＩ情報取得部２２０及び／又はスクレイピング情報取得部２３０は、各ラベル毎に予め設定された所定の用語（ネガティブワード、又はブラックワード）をキーとして情報を収集する。

【0021】

［ＡＩ処理部］
ＡＩ処理部（ニュースラベリングＡＩ）２４０は、ＡＩモデルを用いて、取得情報データベース２５０に記憶されているニュース情報に対して、当該ニュース情報が有する特有な文脈及び用語を有することを判定する。この判定に基づき、ＡＩ処理部２４０は、所定の複数のラベル（分類）毎に、各ニュース情報に対してスコアを生成する。なお、スコアは０～１の範囲で付され、各ラベルにおいてスコアが大きいほど優先度（重要度）が高いことを意味する。

【0022】

所定の複数のラベル（分類）は、例えば、ＡＭＬ（アンチマネーロンダリング）又は経済制裁に関するラベルＡ、投資又は経済活動に関するラベルＢ、所定の用語（例えば、ネガティブワード）を含むその他のラベルＣとすることができる。例えば、ＡＩ処理部２４０は、ＡＩモデルを用いて、あるニュース情報に対して、ラベルＡを０．６８、ラベルＢを０．２１、ラベルＣを０．１１とスコアリングすることができる。この場合、ＡＩモデルは、あるニュース情報を、最も高いスコアであるラベルＡとしてラベリング（分類）する。なお、各ラベル間にも優先順位があり、ラベルＣ、ラベルＢ、ラベルＡの順で優先順位が高くなる。優先順位が高いラベルはユーザに優先的に表示される。

【0023】

ＡＩモデルは、ニュース情報中の文章データに対して、自然言語処理技術を用いて、各ラベル毎にスコアリング（優先順位付け）を実行する。自然言語処理技術は、好ましくは、Ｇｏｏｇｌｅが提供するＢＥＲＴ（Bidirectional Encoder Representations from Transformers）という概念上の意味合いを理解する機械学習モデルを用いることができる。

【0024】

本実施形態のＡＩモデル（機械学習モデル）は、課題に合わせたファインチューニングと、時間の推移とともに劣化するモデルの精度を向上するために、人間参加型のＡＩシステム（HITL：Human In The Loop）とすることができる。HITLとは、機械学習のデータ処理プロセスの中に人的なオペレーションを介在させる方式である。HITLの中の人的なオペレーションとは、日々の調査業務の中で偶然発見された機械ラベリングのエラーを正しいラベリングの修正データでフィードバックすることである。

【0025】

ＡＩモデルは、各記事にラベルＡ～Ｃを付した予測ラベルを出力するが、修正データに基づき分析担当者によって修正された修正ラベルも予測ラベルと対になって付すこともできる。修正データを機械学習の中に定期的・継続的に取り込むことで、長期にわたってＡＩモデルの精度を高いレベルで維持することができる。

【0026】

［情報データセット］
ＡＩ処理前のニュース情報を構成するニュースデータセットを表１に示す。表１には、ラベリング及びスコアリング（優先順位付け）等に重要な属性項目が含まれている。

【0027】

【表1】

【0028】

表１において、「プロバイダー」とは、データの取得先のことで、ニュースベンダー（ニュース情報サーバ５００）が提供する情報か、米当局のウェブサイト（官公庁サーバ６００）から取得した情報かを表す。また、「ダイジェストニュースフラグ」とは、個別ニュースのタイトルを複数集めた要約メインの記事であるダイジェストニュースを非表示にするためのフラグをいう。なお、ニュースデータは、元言語の英語に加え、GUI上の自動翻訳による日本語訳も併せて保存している。これによって、同一記事を複数回翻訳することによるコスト増を抑えることができる。
ＡＩ処理後のニュースＡＩデータセット（ＡＩ処理済みニュース情報）を表２に示す。

【0029】

【表2】

【0030】

表２に示すように、一つのニュース情報に対して、「AML・経済制裁記事」を示すラベルＡ、「投資・経済活動記事」を示すラベルＢ、「その他記事」を示すラベルＣから構成される、３つのラベルについて、それぞれスコアが登録される。優先度が高いラベルＡを有するニュース情報がニュース一覧ページ（図５）に表示される。記事詳細ページ（図６）では確認のため、３つのラベルスコアが表示される。

【0031】

［固有名詞のマスキング］
ＢＥＲＴは文脈を理解する技術として、これまでの自然言語処理技術の機械学習よりも優れている。しかしながら、それでも同一企業で同一ラベルが適用され続けると、文脈の内容よりも、企業名だけでラベルを判断しがちになる。具体的な例を挙げると、中国と米国の貿易摩擦でファーウェイが制裁の対象となるということがあった。こうしたニュース記事は、主に「ＡＭＬ及び経済制裁記事」であるラベルＡとラベリングされる。こうしたニュース記事を短期間のうちに集中して学習すると、「その他記事」としてラベルＣでラベリングすべき記事内容（例えばファーウェイの新製品に関する記事）であったとしても、「ファーウェイ」という企業名があるだけで、ラベルＡが付与される傾向が強くなるという過学習が生じる可能性が高くなる。

【0032】

そこで、このような過学習によって特定のワードが強い意味を帯びないように、ＡＩ処理部２４０でニュース記事（ニュース情報）のラベリング及びスコアリング処理を実行する前に、ニュース記事内の企業名に対してマスキング処理を実行し、企業名をラベリング及び／又はスコアリングのパラメータとして認識させないようにした。なお、企業名のマスキング処理とは、例えば、企業名を異なる文字列に置換する処理であり、制御部２８０又はＡＩ処理部２４０によって実行される。

【0033】

［固有名詞の分類］
記事の中の企業名が地名と同じというケースはしばしば起こる。例えば、トヨタ自動車と愛知県の豊田市は日本語の場合、カタカナと漢字で区別可能ですが、英語の場合は、地名と会社名がTOYOTAと同一で表記されるため、どちらの役割で使用された名詞なのか文字からは判定できない。英語ニュースであればこういった事象は日本語以上に頻繁に起こり、例えば地名であるCalifornia州のOrange County（オレンジ郡）とフランスの通信会社ORANGE、またはフルーツとしてのOrangeは見た目上はどれも区別がつけられない。こうした問題に対処するため、文脈上の名詞の役割パターンを特定するエンティティーリンキングという方法を用いた。エンティティーリンキングは、文章中に含まれる固有名詞を抽出し、それに人名や日付や時間表現といったあらかじめ定義された分類と対応づける方法である。エンティティーリンキングを使用すると、固有名詞に対して意味上での役割とワードが同時に付される。例えば、OrangeはCaliforniaという州名とCountry（群）という区域を表す単語に挟まっており、このような使用形態ではOrangeはCityの意味で文脈上認識されているため、Orangeという企業に関する情報ではないことが分かる。

【0034】

［タグ情報の活用］
ニュースベンダーから提供を受けているニュース記事は、ジャンルを意味するタグがあらかじめ付与されており、このタグ情報をラベリングに活用した。過去の記事に付与したラベルとタグの関連性をＴＦＩＤＦ（Term Frequency - Inverse Document Frequency）指標を用いて計算すると、それぞれのラベルで使用されているタグタイプに特徴的な違いが生じる。なお、ＴＦＩＤＦ指標とは、単語の重要度を測る指標であり、出現頻度が低い単語が同一文書内で比較的多く確認された場合ＴＦ－ＩＤＦ値が高くなる。例えば、ラベルＡではＴＦ－ＩＤＦ値の中で特に高い値を示したのは犯罪や司法・裁判に関するタグであった。このような統計結果を基に、タグ情報とラベリング種類の親和性と、文脈から判定したラベリング確信度の両面から正しいラベリングを判断するようにＡＩモデルを設定した。

【0035】

［フローチャート］
本実施形態のニュースラベリングシステム１０００が実行するフローチャートの一例を図４を参照して説明する。

【0036】

ステップＳ４０１で、ニュースラベリングサーバ２００のＡＰＩ情報取得部２２０は、外部装置（例えば、ニュース情報サーバ５００からＡＰＩを介して、ニュース情報を取得して取得情報データベース２５０に記憶する。ステップＳ４０２で、スクレイピング情報取得部２３０は、外部装置（例えば、官公庁サーバ６００のウェブサイト）からウェブスクレイピングを用いて記事又は発表等のニュース情報を取得して取得情報データベース２５０に記憶する。

【0037】

ステップＳ４０３で、ニュースラベリングサーバ２００の制御部２８０は、ステップＳ４０１のニュース情報及びステップＳ４０２の情報の取得から所定期間が経過したか否かを判定する。所定期間は、好ましくは２時間から３日の範囲とすることができる。所定期間は、より好ましくは１２時間又は１日とすることができる。所定期間が経過していない場合は、ステップＳ４０３を繰り返す。所定期間が経過した場合、ステップＳ４０４に移行する。

【0038】

ステップＳ４０４において、ニュースラベリングサーバ２００の制御部２８０は、所定期間内に取得情報データベース２５０に蓄積された全てのニュース情報について、予め指定した固有名詞に対するマスキング処理を実行する。

【0039】

ステップＳ４０５において、ニュースラベリングサーバ２００のＡＩ処理部２４０は、マスキング処理されたニュース情報のそれぞれに対して、ＡＩモデルを用いて各ラベルＡ～Ｃに対してスコアを生成し、スコアが最も高いラベルをそのニュース情報のラベルとしてラベリングする。

【0040】

ステップＳ４０６において、ニュースラベリングサーバ２００のＡＩ処理部２４０は、ニュース情報と、付されたラベル（例えばラベルＡ）と、各ラベルＡ～Ｃのスコアとから構成されるＡＩ処理情報を、ＡＩ処理情報データベース２８０に登録する。

【0041】

ステップＳ４０７において、ニュースラベリングサーバ２００の制御部２８０は、端末装置４００からニュース情報に対してＡＩ処理情報の検索及び出力に関するコマンドを受信したか否かを判定する。このコマンドを受信しない場合、ステップＳ４０３に戻る。のコマンドを受信した場合、ステップＳ４０８に移行する。

【0042】

ステップＳ４０８において、ニュースラベリングサーバ２００の制御部２８０は、端末装置４００が指定した条件で、ＡＩ処理情報を検索して、検索結果を端末装置４００に送信する。端末装置４００は、受信したＡＩ処理情報の検索結果を、図５及び６に示すように、表示部（ディスプレイ）４２０に表示する。

【0043】

［端末装置に表示される画面］
端末装置４００の表示部に表示される画面例を図５、６を参照して説明する。図５には、ユーザが予め指定した条件に基づき、関連するニュース情報が表示されている。ユーザが予め指定した条件とは、検索期間、検索ワード（未入力）、対象企業マスタ選択（社債ユニバース）、モデル選択（ネガティブニュース）、キーワードマスタ選択（経済制裁ＤＤ）、お気に入り検索（未入力）となっている。この条件で検索されたニュース記事一覧が図５に表示されている。図５に表示されるニュース記事は、ラベルＡのスコアが高い順に常時されており、各記事について、スコア順位、更新日時、タイトル、該当企業、主語企業、キーワード、予測ラベル等が表示される。

【0044】

図５のニュース記事一覧において、白色破線で囲んだ部分の記事をユーザが端末装置４００の入力部４４０を用いて選択すると、図６に示すように記事詳細が表示される。記事詳細には、記事題名と、ＡＩによる予測ラベル（ラベルＡ）が表示され、各ラベルのスコア（ラベルＡのスコアが０．９８、ラベルＢのスコアが０．０１、ラベルＣのスコアが０．０１）が表示されている。補正ラベルが入力されている場合は、補正ラベルが表示される。該当企業名、主語企業名、選択されたキーワード、記事本文が表示される。

【0045】

ニュース記事（ニュース情報）を検索する際に、あらかじめ設定していた企業名やキーワードにヒットした場合は、その該当箇所をニュース情報ごとに保存し（該当企業・キーワード項目）、記事にヒットした単語を記事詳細ページ（図６）の中で該当箇所を他の箇所と異なる色（例えば赤色）で表示する。また、分析担当者はニュース記事ごとにコメントを作成することができ、利用者全体でラベルの変更理由などを共有できるプラットフォームとして利用することができる。

【0046】

本発明の実施形態において、所定の複数のラベル（分類）は、ネガティブニュースに関する、ＡＭＬ又は経済制裁に関するラベルＡ、投資又は経済活動に関するラベルＢ、所定の用語（例えば、ネガティブワード）を含むその他のラベルＣとした。これに対して、本発明の第１の変形例において、所定の複数のラベルは、ポジティブニュースに関する、環境問題（例えば、気候変動問題等）への配慮及び／又は社会課題への取り組みに関するラベルＡ、並びに所定の肯定的用語（例えば、持続可能な開発目標（ＳＤＧｓ）関連）に関するラベルＢとすることができる。本発明の第２の変形例において、所定の複数のラベルは、ＳＤＧｓ関連（例えば、ＳＤＧｓの１７の目標の、１つ又は任意の複数の組合せ）に近しい文脈のニュース記事をＡＩ処理部がスコアリングし、一定閾値以上のものをラベルＡ、それ以外はラベルＢとすることができる。

【0047】

ＳＤＧｓの１７の目標は、「１ 貧困をなくそう」、「２ 飢餓をゼロに」、「３ すべての人に健康と福祉を」、「４ 質の高い教育をみんなに」、「５ ジェンダー平等を実現しよう」、「６ 安全な水とトイレを世界中に」、「７ エネルギーをみんなに、そしてクリーンに」、「８ 働きがいも経済成長も」、「９ 産業と技術革新の基盤をつくろう」、「１０ 人や国の不平等をなくそう」、「１１ 住み続けられるまちづくりを」、「１２ つくる責任 つかう責任」、「１３ 気候変動に具体的な対策を」、「１４ 海の豊かさを守ろう」、「１５ 陸の豊かさも守ろう」、「１６ 平和と公正をすべての人に」、及び「１７ パートナーシップで目標を達成しよう」である。

【符号の説明】

【0048】

１０００ ニュースラベリングシステム
２００ ニュースラベリングサーバ
２１０ 通信部
２２０ ＡＰＩ情報取得部
２３０ スクレイピング情報取得部
２４０ ＡＩ処理部
２５０ 取得情報データベース
２６０ ＡＩ処理情報データベース
２７０ 入力部
２８０ データバス
３００ インターネット
４００ 端末装置
５００ ニュース情報サーバ
６００ 官公庁情報サーバ

【要約】

【課題】 投資判断に影響を与えるニュース情報を人手を介さずにラベリング又は分類することができるニュースラベリングシステム及びニュースラベリングサーバを提供する。
【解決手段】 ニュースラベリングシステム１０００は、投資に関するニュース情報をラべリングするニュースラベリングサーバ２００と、端末装置４００とから構成される。ニュースラベリングサーバ２００は、ニュース情報を取得する情報取得部２２０、２３０と、情報取得部２２０、２３０により取得されたニュース情報を記憶する取得情報ＤＢ２５０と、テキスト情報を取得情報ＤＢから読出してＡＩモデルを用いて処理するＡＩ処理部２４０と、ＡＩ処理部２４０により処理されたＡＩ処理済みテキスト情報を記憶するＡＩ処理情報データベース２６０とを備える。ＡＩ処理部２４０は、ニュース情報を複数のラベルにラべリングする処理と、ニュース情報をラベルごとにスコアリングする処理とを実行する。
【選択図】 図２

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】