[論文レビュー] MTab: Matching Tabular Data to Knowledge Graph using Probability Models

Phuc Nguyen, Natthawut Kertkeidkachorn+2 more|arXiv (Cornell University)|Oct 1, 2019

Semantic Web and Ontologies参考文献 8被引用数 12

ひとこと要約

MTab は、複数の照会サービス、リテラルマッチング信号、およびカラム、行、タイプ間の信頼性の集約を統合する、表形式データを知識グラフ（例：DBpedia）にマッピングする確率的フレームワークである。SemTab 2019 の CEA、CTA、CPA タスクにおいて、高い F1 スコア（最高 1.000）と平均平均適合率（1.956）を達成し、共同確率モデルと信号融合により、強固な性能を示した。

ABSTRACT

This paper presents the design of our system, namely MTab, for Semantic Web Challenge on Tabular Data to Knowledge Graph Matching (SemTab 2019). MTab combines the voting algorithm and the probability models to solve critical problems of the matching tasks. Results on SemTab 2019 show that MTab obtains promising performance for the three matching tasks.

研究の動機と目的

• 多言語および意味論的に複雑なデータを扱う知識グラフ（KG）への表形式データのマッピングの課題に対処すること。
• 標準的なエンティティ照会とリテラル値マッチングの限界を克服することで、マッチング性能を向上させること。
• カラムタイプ、セル値、行の文脈、およびカラム間関係からの信号を統合する包括的な確率的フレームワークを構築すること。
• SemTab 2019 ベンチマークにおいて、3つのサブタスク（CEA、CTA、CPA）でシステムを評価すること。

提案手法

• MTab は、テキストデコード、言語予測、データ型およびエンティティ型分類、および複数のソースからのエンティティ照会（DBpedia、Wikipedia、Wikidata）を統合する 7 ステップのパイプラインを用いる。
• エンティティ照会の信頼性、カラムタイプ確率、セル値類似度（リーヴェンシュタイン距離を用いて）、および行レベルの共起パターンを統合するための共同確率モデルを適用する。
• リテラルマッチングは、リーヴェンシュタイン比の正規化とヒューリスティックルール（例：頭字語、日付）の適用により強化され、値から知識グラフのリテラルへの一致を向上させる。
• 正規化された類似度スコアを用いてカラム間の関係確率を計算し、数値カラムにはオプションで重み付けを適用する。
• エンティティ候補の再評価には、照会、カラムタイプ、セル値、行の文脈の4つの信号を、学習可能な重みを用いた重み付き積和モデルで統合する。
• 最終予測は、集約された信頼性スコアから得られる上位エンティティ、タイプ、関係の多数決によるフィルタリングによって精緻化される。

実験結果

リサーチクエスチョン

• RQ1 複数のソースからのエンティティ照会は、知識グラフ連携における非英語および曖昧な表形式値のマッチング精度をどのように向上させるか？
• RQ2 正規化されたリーヴェンシュタイン距離やヒューリスティックルールなどのリテラルマッチング信号は、セルからエンティティおよびカラムからタイプへのマッピングの正確性をどの程度向上させるか？
• RQ3 タイプ、値、行の文脈、カラム間関係といった多様な信号の共同確率モデルは、個別の信号アプローチを上回る性能を示せるか？
• RQ4 カラムおよび行にわたる信頼性の集約は、エンティティおよび関係予測の信頼性をどのように向上させるか？
• RQ5 閉世界の知識グラフや固定された表形式の見出しといった仮定は、システムの頑健性およびスケーラビリティにどのような影響を与えるか？

主な発見

• MTab は、ラウンド1の CEA で F1 スコア 1.000 を達成し、このラウンドにおける正確性と再現率が完全に一致していることを示した。
• ラウンド3では、MTab が SemTab 2019 チャレンジにおいて全システムで最高となる CTA スコア 1.956 を達成した。
• CPA では、ラウンド3で F1 スコア 0.844、ラウンド4で 0.832 を維持し、高い性能を発揮した。
• 多言語照会と言語に配慮した処理を活用することで、多様な表形式の種類と言語に対して頑健な性能を示した。
• 複数の信号にわたる信頼性の集約は、カバレッジが低いまたは曖昧なケースにおいても、エンティティ候補の順位付けを著しく向上させた。
• 確率モデルにおける学習可能な重みの使用により、信号の動的統合が可能となり、異なる表形式構造への汎用性が向上した。