[論文レビュー] Graph-based keyword search in heterogeneous data sources

Mhd Yamen Haddad, Angelos‐Christos G. Anadiotis+2 more|arXiv (Cornell University)|Sep 9, 2020

Data Management and Algorithms参考文献 29被引用数 4

ひとこと要約

本稿では、異種のデータソース向けにグラフベースのキーワード検索アルゴリズムを提案する。関係データベース、テキスト、JSON、RDFといった多様なデータ型を、双方向エッジとsameAsリンクを用いて統一グラフとしてモデル化し、エンティティマッチングを実現する。ユーザーはスキーマやエッジの方向性を事前に知らなくても、複数のデータセット間の接続を発見可能であり、元データの出典を保持し、柔軟なスコアリングを可能にする。本稿は、出典保持を伴う統合的かつ異種のキーワード検索を実現する最初のソリューションを提供する。

ABSTRACT

Data journalism is the field of investigative journalism which focuses on digital data by treating them as first-class citizens. Following the trends in human activity, which leaves strong digital traces, data journalism becomes increasingly important. However, as the number and the diversity of data sources increase, heterogeneous data models with different structure, or even no structure at all, need to be considered in query answering. Inspired by our collaboration with Le Monde, a leading French newspaper, we designed a novel query algorithm for exploiting such heterogeneous corpora through keyword search. We model our underlying data as graphs and, given a set of search terms, our algorithm nds links between them within and across the heterogeneous datasets included in the graph. We draw inspiration from prior work on keyword search in structured and unstructured data, which we extend with the data heterogeneity dimension, which makes the keyword search problem computationally harder. We implement our algorithm and we evaluate its performance using synthetic and real-world datasets.

研究の動機と目的

• 調査的ジャーナリズムを目的として、関係データベース、テキスト、JSON、RDFといった多様で異種のデータソースを統一的に扱う課題に対処すること。
• ユーザーがスキーマやエッジの方向性を把握していなくても、複数のデータモデルを跨いでキーワード検索を可能にすること。
• 各データソースからの元のノード識別子を保持することで、情報の出典を明確に保つこと。
• 特定のスコア関数の性質を仮定しない柔軟なスコアリングを可能にし、非専門家ユーザーにとっての有用性を高めること。
• 異種データセット間のキーワード間に意味のある接続を効率的に発見できるスケーラブルなアルゴリズムを設計すること。

提案手法

• 異種のデータソースを、元のノード識別子と出典の両方を保持する統合グラフとしてモデル化すること。
• 双方向エッジ走査を用い、元のデータモデルにおけるエッジの方向に関係なく、両方向にエッジをたどれるようにすること。
• sameAsリンクを用いて、異なるデータソース間で意味的に同等のエンティティを接続し、信頼度スコア（0〜1の間）を付与すること。
• 従来のグラフキーワード検索にインspiredした「成長と統合」アルゴリズムを採用し、双方向走査および異種データに適応させること。
• 信頼度スコアによる不確実なエッジをサポートし、結果構築における確率的推論を可能にすること。
• スコア関数に強い仮定を置かないことで、データジャーナリズム分野における実世界のユーザー要件に柔軟に対応すること。

実験結果

リサーチクエスチョン

• RQ1 共有スキーマや構造のない異種データソース間で、どのように効果的にキーワード検索を実行できるか？
• RQ2 複数のデータソースを統合して1つのクエリ可能なグラフにした場合、出典をどのように保持できるか？
• RQ3 データモデルの方向性を事前に知らない状況下で、どのように双方向エッジ走査を実現できるか？
• RQ4 sameAsリンクによる不確実なエンティティマッチングを、どのようにクエリ結果の構築に効果的に活用できるか？
• RQ5 望ましいスコア関数の性質を仮定しない状況下で、検索アルゴリズムがどのようにスケーラブルかつ効率的を保てるか？

主な発見

• 提案されたアルゴリズムは、元のモデルとは逆方向にエッジをたどる場合でも、キーワード間の複数データセットにまたがる接続を効果的に抽出できた。
• 各データソースからの元のノード識別子を保持することで、情報の出典を追跡可能にし、出典の保持を実現した。
• 信頼度スコアによる不確実リンクを扱えるが、スコア関数に強い仮定を置かないため、非専門家ユーザーにとっての使いやすさが向上した。
• 合成および実世界のデータセットを用いた評価により、双方向かつ異種検索の計算複雑性が高くても、アルゴリズムが効果的にスケーリングできることを示した。
• 既存のキーワード検索システムでは対応できない、複数のデータモデルにまたがる回答を可能にする点で、先行研究を上回る性能を示した。
• Le Mondeの fact-checking チームと共同で検証された結果、データジャーナリズム分野における実用的応用が確認された。