[論文レビュー] Multilingual Schema Matching for Wikipedia Infoboxes

Thanh Nguyen, Viviane P. Moreira+3 more|arXiv (Cornell University)|Oct 30, 2011

Topic Modeling参考文献 27被引用数 9

ひとこと要約

この論文では、構文的類似性や外部リソースに依存せずに、意味的、語彙的、構造的類似性の複数の信号を組み合わせるトレーニング不要な自動手法であるWikiMatchを提案する。この手法は、語彙的にも構造的にも異なる言語、例えばベトナム語と英語のような言語対に対しても高い正確性と再現率を達成し、多言語間属性対応の最先端技術を上回る性能を示している。

ABSTRACT

Recent research has taken advantage of Wikipedia's multilingualism as a resource for cross-language information retrieval and machine translation, as well as proposed techniques for enriching its cross-language structure. The availability of documents in multiple languages also opens up new opportunities for querying structured Wikipedia content, and in particular, to enable answers that straddle different languages. As a step towards supporting such queries, in this paper, we propose a method for identifying mappings between attributes from infoboxes that come from pages in different languages. Our approach finds mappings in a completely automated fashion. Because it does not require training data, it is scalable: not only can it be used to find mappings between many language pairs, but it is also effective for languages that are under-represented and lack sufficient training samples. Another important benefit of our approach is that it does not depend on syntactic similarity between attribute names, and thus, it can be applied to language pairs that have distinct morphologies. We have performed an extensive experimental evaluation using a corpus consisting of pages in Portuguese, Vietnamese, and English. The results show that not only does our approach obtain high precision and recall, but it also outperforms state-of-the-art techniques. We also present a case study which demonstrates that the multilingual mappings we derive lead to substantial improvements in answer quality and coverage for structured queries over Wikipedia content.

研究の動機と目的

• Wikipediaの構造的クエリを多言語でサポートする課題に対処し、異なる言語のインフォボックス間でのスキーママッピングを可能にすること。
• トレーニングデータを必要としないスケーラブルで自動化されたアプローチを開発し、低リソース言語や構造的に顕著に異なる言語対にも適用可能にすること。
• 既存手法が構文的類似性や大規模なアノテート済みトレーニングデータに依存するという制限を克服し、とりわけ代表が不足している言語に対しても有効にすること。
• 多言語クエリにおける回答の質とカバレッジを向上させるために、言語間で信頼性の高い属性対応を発見すること。
• 実世界のクエリワークロードを対象とした事例研究を通じて、多言語スキーマアライメントの実用的利点を示すこと。

提案手法

• WikiMatchは、意味的、語彙的、構造的類似性の複数の信号を重み付き統合戦略を用いて統合し、多言語属性対応を同定する。
• 反復的精錬により高信頼度マッチを優先することで、マッチングプロセスにおける誤りの伝搬を最小限に抑える。
• トレーニングデータ、外部辞書、機械翻訳システムを一切必要とせず、代わりにWikipediaの内在的構造とコンテンツに依存する。
• 言語間リンクと値の共起パターンを活用し、異なる言語間の属性の意味的類似性を推定する。
• 信頼度スコアに基づいて動的に調整される類似度しきい値メカニズムを採用し、正確性と再現率のバランスを取る。
• n-gram類似度、意味的埋め込み、属性-値アライメントといった特徴の体系的組み合わせを適用し、多様なインフォボックススキーマにわたる耐性を高める。

実験結果

リサーチクエスチョン

• RQ1 構文的類似性に依存しないトレーニング不要なアプローチが、語彙的にも構造的にも顕著に異なる言語対において、高精度な多言語スキーママッピングを達成できるか？
• RQ2 低リソース言語対において、WikiMatchは最先端手法と比較して正確性、再現率、スケーラビリティの観点でどの程度の性能を示すか？
• RQ3 得られた多言語マッピングは、多言語Wikipediaコンテンツに対する構造的クエリにおいて、回答のカバレッジと質をどの程度向上させるか？
• RQ4 スキーマのずれ、多義語、同義語の影響で、属性名や構造が言語間で著しく異なる場合でも、この手法は有効に機能するか？
• RQ5 大規模なアノテート済みトレーニングデータを必要とせずに、ベトナム語やポルトガル語のような代表が不足している言語に対しても、このアプローチは効果的に適用可能か？

主な発見

• WikiMatchは、ポルトガル語-英語およびベトナム語-英語の言語対において、最先端技術を上回る高い正確性と再現率を達成した。
• 構文的類似性に基づく手法が失敗するような、語彙的にも構造的にも顕著に異なる言語、例えばベトナム語と英語に対しても、本手法は有効である。
• トレーニングデータや機械翻訳システムなどの外部リソースを一切必要とせず、低リソース言語へのスケーラビリティと適用可能性を実現している。
• 事例研究では、WikiMatchによって得られたマッピングを活用することで、クエリを英語に翻訳し、英語Wikipediaのコンテンツを活用できるようになり、多言語クエリの回答カバレッジと質が向上した。
• 高水準の言語間異質性と限られたデータインスタンスを有するエンティティタイプに対しても、本手法は強固な性能を維持している。
• 実験の結果、WikiMatchはスキーマのずれ、多義語、同義語に対して耐性があり、Ziggurat や COMA++ といった手法よりも正確性と再現率の両方で優れていることが示された。