[論文レビュー] DomainNet: Homograph Detection for Data Lake Disambiguation

Aristotelis Leventidis, Laura Rocco+3 more|arXiv (Cornell University)|Jan 1, 2021

Data Quality and Management参考文献 49被引用数 5

ひとこと要約

DomainNetは、二部グラフにおける値と属性の共起をモデル化し、ネットワーク中心性指標を適用することで、異種のデータレイクにまたがる同音異義語（複数の意味を持つデータ値）を教師なしで検出する手法を提案する。実データではトップ200の精度が89%に達し、合成ベンチマークにおいてもドメイン発見ベースのベースライン（38%の精度）を上回る69%の再現率を達成した。

ABSTRACT

Modern data lakes are deeply heterogeneous in the vocabulary that is used to describe data. We study a problem of disambiguation in data lakes: how can we determine if a data value occurring more than once in the lake has different meanings and is therefore a homograph? While word and entity disambiguation have been well studied in computational linguistics, data management and data science, we show that data lakes provide a new opportunity for disambiguation of data values since they represent a massive network of interconnected values. We investigate to what extent this network can be used to disambiguate values. DomainNet uses network-centrality measures on a bipartite graph whose nodes represent values and attributes to determine, without supervision, if a value is a homograph. A thorough experimental evaluation demonstrates that state-of-the-art techniques in domain discovery cannot be re-purposed to compete with our method. Specifically, using a domain discovery method to identify homographs has a precision and a recall of 38% versus 69% with our method on a synthetic benchmark. By applying a network-centrality measure to our graph representation, DomainNet achieves a good separation between homographs and data values with a unique meaning. On a real data lake our top-200 precision is 89%.

研究の動機と目的

• データレイク内で複数回出現するが、異なる意味を持つ可能性があるデータ値（同音異義語）を、ラベルデータやスキーマの一貫性が欠如している状況下でも解消する課題に対処すること。
• データレイク内の大規模な値の共起ネットワークが、教師なしで同音異義語を検出するために活用可能かどうかを検討すること。
• スキーマやメタデータに依存せず、テーブル間の共起パターンに基づいて同音異義語を同定するスケーラブルな教師なし手法を開発すること。
• 同音異義語が既存の意味的統合タスク（例：ドメイン発見）に与える影響を評価し、データ品質および統合の文脈で同音異義語検出の有効性を示すこと。

提案手法

• 一方のノード集合をデータ値、もう一方を属性とし、同じテーブルのカラム内で共起する関係をエッジで結ぶ二部グラフを構築する。
• 度数、固有ベクトル、またはPageRankに類似した中心性指標を適用し、グラフ内で中心的である値を特定する。これは、複数の意味的役割を果たす可能性を示唆する。
• 得られた中心性スコアを用いて値を順位付けし、高い中心性スコアを持つものを同音異義語として分類する。これは、異なる文脈で多様な属性と共起する可能性を仮定している。
• ドメイン発見（D⁴）に基づくベースラインと比較し、同音異義語としての値のラベル付けが、より優れた性能を示すことを実証する。
• 合成データおよび実世界のベンチマーク（TUS, TUS-I）を用いて、意味の数やデータの基数に応じた耐性を評価する。
• コミュニティ検出のヒューリスティクスを用いて、共起する属性のクラスタを特定することで、同音異義語の異なる意味を推定する。

実験結果

リサーチクエスチョン

• RQ1 値-属性共起グラフにおけるネットワーク中心性は、教師なしでデータレイク内の同音異義語を効果的に同定できるか？
• RQ2 ドメイン発見に基づくアプローチと比較して、DomainNetの同音異義語検出性能はどの程度優れているか？
• RQ3 同音異義語の基数（異なる共起属性の数）が検出精度に与える影響はどの程度か？
• RQ4 同音異義語は、ドメイン発見のような既存の意味的統合タスクにどのように影響を与えるか？
• RQ5 本手法は、ヌル値の同等物、データエラー、多義的フレーズなど、多様な同音異義語タイプを検出可能か？

主な発見

• 合成ベンチマークでは、DomainNetは69%の再現率と38%の精度を達成し、ドメイン発見ベースのベースラインを顕著に上回った。
• 実データレイクでは、DomainNetは同音異義語検出のトップ200予測で89%の精度を達成した。
• 同音異義語の基数が低下するにつれて、手法の精度は97%から85%に低下した。これは、共起の多様性が低い場合に感受性が高いことを示している。
• DomainNetは、ヌル値の同等物（例：「.」）、データエラー（例：誤って配置された会社名）、多義的フレーズ（例：「Music Faculty」が場所または部署を指す）を含む多様なタイプの同音異義語を正常に検出できた。
• 同音異義語はドメイン発見手法の性能を著しく低下させることを示し、データ統合パイプラインにおいて事前に同音異義語を検出する必要性を強調した。
• 意味の数が増えるにつれて検出精度が向上する傾向にあり、同音異義語の意味の種類が増えるほど、手法の性能が向上することがわかった。