[論文レビュー] It's AI Match: A Two-Step Approach for Schema Matching Using Embeddings

Benjamin Hättasch, Michael Truong-Ngoc+2 more|TUbilio (Technical University of Darmstadt)|Mar 8, 2022

Topic Modeling被引用数 5

ひとこと要約

本稿では、異種のデータベース間の意味的対応関係を検出するため、ニューラル埋め込みを用いた2段階のスキーママッピング手法を提案する。まず全テーブルをマッチングし、その後文脈的埋め込み（例：Google USE）を用いて個々の属性をマッチングすることで、類義語、多言語データ、ドメイン固有用語などの非自明なケースでさえも、従来の構文的・意味的手法を上回る頑健で信頼性の高いマッピングを実現する。ベンチマークデータセット上での評価で、本手法は優れた性能を示した。

ABSTRACT

Since data is often stored in different sources, it needs to be integrated to gather a global view that is required in order to create value and derive knowledge from it. A critical step in data integration is schema matching which aims to find semantic correspondences between elements of two schemata. In order to reduce the manual effort involved in schema matching, many solutions for the automatic determination of schema correspondences have already been developed. In this paper, we propose a novel end-to-end approach for schema matching based on neural embeddings. The main idea is to use a two-step approach consisting of a table matching step followed by an attribute matching step. In both steps we use embeddings on different levels either representing the whole table or single attributes. Our results show that our approach is able to determine correspondences in a robust and reliable way and compared to traditional schema matching approaches can find non-trivial correspondences.

研究の動機と目的

• 異種データベース間の意味的対応関係検出を自動化することで、スキーママッピングにおける人的作業を削減すること。
• 類義語、多言語データ、ドメイン固有用語などの非自明な意味的類似性に対して失敗する従来のスキーママッピング手法の限界を克服すること。
• 特に文脈を考慮した埋め込み（例：Google USE）を含むニューラル埋め込みの有効性を、テーブルレベルおよび属性レベルのマッピングにおいて評価すること。
• 構造的スキーマ情報とインスタンスレベルのデータを統合することで、マッピングの正確性と頑健性が向上することを示すこと。
• 従来の構文的・意味的マッチャーの補完的・代替的手段として、埋め込みベースのマッピングの実現可能性と性能を検討すること。

提案手法

• 2段階のパイプラインを採用：まず、テーブル全体の表現（スキーマ名、コメント、構造的メタデータ）の埋め込みを用いてテーブルレベルのマッチングを実施し、次に個々の属性の埋め込みを用いて属性レベルのマッチングを実施する。
• 属性マッチングでは、属性名とそのインスタンス値の両方の埋め込みを用い、平均化処理により高次元のベクトル表現を生成する。
• 事前学習済みの文脈的埋め込み（例：Google Universal Sentence Encoder (USE) や BERT）を活用し、USEは類似対象と非類似対象を識別する上で優れた性能を示した。
• 計算コストを抑えるためにインスタンスデータのサンプリングを実施し、大規模データセットに対しても識別力が保たれるようにした。
• 埋め込み空間に、構造的スキーマ特徴（例：データ型、制約）とテキスト的コンテンツ（名前、コメント、インスタンス値）を統合する。
• 複数の埋め込みベースマッチャーの結果を統合するハイブリッドマッチング戦略を採用し、全体の正確性と頑健性を向上させた。

実験結果

リサーチクエスチョン

• RQ1 非自明な意味的類似性（例：類義語、多言語同等語）を検出するという点で、2段階の埋め込みベース手法は従来のスキーママッピング手法を上回ることができるか？
• RQ2 Google USE や BERT といった事前学習済みの文脈的埋め込みは、多様なデータソース間のデータベーステーブルおよび属性のマッチングにおいてどれほど有効か？
• RQ3 インスタンスデータのサンプリングは、インスタンスベース属性マッチングの性能と効率性にどの程度寄与するか？
• RQ4 異なる埋め込みソース（例：USE と BERT）は、意味的に類似した対象と非類似対象をどの程度明確に区別できるか？
• RQ5 埋め込みベースマッピングは、多言語データ、類義語、ドメイン固有用語といった課題を効果的に処理できるか？

主な発見

• 提案された2段階の埋め込みアプローチは、類義語や多言語同等語といった非自明な意味的類似性の検出において、従来手法を顕著に上回った。
• Google USE 埋め込みは、類似対象と非類似対象を識別する上で BERT を上回り、類似度の範囲が広く、非マッチングペアの分離が良好であった。
• Adult データセットにおいて、本手法は「marital-status」と「relationship」が意味的に類似していることを正しく同定した。これは、強い意味的理解能力を示している。
• 本手法はテーブルマッチングおよび属性マッチングの両方で高い正確性を達成し、10列のデータセット（1列あたり10,000件のインスタンス）をV100 GPUで処理する場合、計算時間は3分未満であった。
• インスタンスデータのサンプリングにより、埋め込みの識別力が向上した一方で、計算負荷が低減され、特に大規模データベースにおいて顕著であった。
• 本手法は多様なデータタイプにわたり頑健に動作し、属性名が意味を持たない、あるいは意味的に曖昧な場合でも良好な性能を示した。