[論文レビュー] Recommending Related Tables

Shuo Zhang, Krisztian Balog|arXiv (Cornell University)|Jul 8, 2019

Data Quality and Management参考文献 29被引用数 7

ひとこと要約

本稿では、語彙ベース、グラフベース、エンティティベースの複数の意味的空間においてテーブル要素をモデル化し、識別的学習を用いて要素レベルの類似度を統合することで、関連するテーブルを推薦する新規フレームワークを提示する。提案手法CRABは、Wikipediaを基盤とするテストコレクションにおいて最先端の性能を達成し、手作業で設計された特徴量ベースラインをNDCG@10で約30%上回った。

ABSTRACT

Tables are an extremely powerful visual and interactive tool for structuring and manipulating data, making spreadsheet programs one of the most popular computer applications. In this paper we introduce and address the task of recommending related tables: given an input table, identifying and returning a ranked list of relevant tables. One of the many possible application scenarios for this task is to provide users of a spreadsheet program proactively with recommendations for related structured content on the Web. At its core, the related table recommendation task boils down to computing the similarity between a pair of tables. We develop a theoretically sound framework for performing table matching. Our approach hinges on the idea of representing table elements in multiple semantic spaces, and then combining element-level similarities using a discriminative learning model. Using a purpose-built test collection from Wikipedia tables, we demonstrate that the proposed approach delivers state-of-the-art performance.

研究の動機と目的

• 明示的なキーワードクエリを必要とせずに、関連するテーブルを能動的に推薦するタスクに対処すること。
• 一時的な類似度測定に依存し、要素レベルの類似度を原理的かつ整合的に統合できない既存のテーブルマッチング手法の限界を克服すること。
• 同種（要素レベル）および異種（要素間）のテーブル要素マッチングを両立できる統一的かつ理論的に整合性のあるフレームワークを構築すること。
• 異なるテーブル要素（例：ヘッダー、キャプション、セル値）および意味的表現が推薦性能に与える寄与を体系的に評価すること。
• 再現可能な評価を可能にするため、Wikipediaのテーブルから標準化されたテストコレクションを構築すること。

提案手法

• 語彙ベース（単語埋め込み）、グラフベース（知識グラフパス）、エンティティベース（知識ベース埋め込み）の複数の意味的空間において、テーブル要素（例：ヘッダー、セル値、キャプション）を表現する。
• 意味的表現を用いて要素レベルの類似度を計算し、同種マッチング（例：ヘッダー対ヘッダー）および異種マッチング（例：ヘッダー対セル値）を可能にする。
• 勾配ブースティングやロジスティック回帰などの識別的学習モデルを用いて、複数の要素レベル類似度スコアを統合し、全体のテーブルペア類似度を予測する。
• 先行研究から抽出した手作業特徴量を組み合わせた特徴ベースのベースライン（HCF）を設計し、提案手法の意味的表現アプローチと比較する。
• 一般フレームワークの4つの実装形態を実装・評価する：語彙・グラフ・エンティティ表現を用いたCRAB、およびハイブリッド版（CRAB-2）。
• Wikipediaテーブルの目的特化テストコレクションを用いてモデルを学習・評価し、意味的関連性とコンテンツの新規性に基づいた関連性判断を採用する。

実験結果

リサーチクエスチョン

• RQ1 テーブルマッチングの文脈において、語彙ベース、グラフベース、エンティティベースのどの意味的表現が、テーブル要素のモデリングに最も効果的か？
• RQ2 従来の要素レベルマッチングに比べ、異種マッチング（例：入力テーブルのヘッダーと候補テーブルのセル値を比較）は性能向上に寄与するか？
• RQ3 異なるテーブル要素（例：キャプション、カラムヘッダー、セル値）は、全体の推薦性能にどのように寄与するか？
• RQ4 入力テーブルのサイズ（行数または列数）は、推薦フレームワークの性能にどのように影響するか？
• RQ5 学習ベースの意味的表現の統合は、手作業で設計された特徴量の組み合わせを上回る性能を発揮するか？

主な発見

• 語彙・グラフ・エンティティの複数の意味的空間における表現を用いるCRABフレームワークは、Wikipediaベースのテストコレクションにおいて最先端の性能を達成し、最良の手作業特徴量ベースライン（HCF）をNDCG@10で約30%上回った。
• 異種マッチング（例：入力テーブルのヘッダーと候補テーブルのセル値を比較）は、従来の同種マッチングに比べて測定可能な性能向上をもたらし、同種比較のみが有効であるという仮定に疑問を呈する。
• エンティティベースの意味的表現は、マッチング精度と頑健性の両面で、語彙ベースおよびグラフベースの表現を一貫して上回った。
• 入力テーブルのサイズが大きくなる（横方向に列数が増える、縦方向に行数が増える）ほど推薦性能が向上し、フレームワークがより大きなコンテキストを効果的に活用できることを示した。
• テーブル要素の寄与度は異なり、カラムヘッダーとセル値が最も顕著な寄与を示したが、キャプションやタイトルも限定的ではあるが有意義な影響を示した。
• 識別的学習モデルは多様な意味的類似度信号を効果的に統合し、個々のコンponentsを上回る一般化性能を示した。