[論文レビュー] Table2Charts: Learning Shared Representations for Recommending Charts on Multi-dimensional Data

Mengyu Zhou, Qingtao Li+3 more|arXiv (Cornell University)|Aug 24, 2020

Time Series Analysis and Forecasting参考文献 3被引用数 6

ひとこと要約

Table2Chartsは、196kのテーブルと306kのチャートから共有表現を学習する深層強化学習フレームワークであり、適切な可視化を推薦する。系列生成とコピーメカニズム、ヒューリスティックサーチを用い、単一および複数タイプのチャート推薦において、トップ3での再現率が0.61以上、トップ1での再現率が0.49以上を達成した。

ABSTRACT

It is common for people to create different types of charts to explore a multi-dimensional dataset (table). However, to build an intelligent assistant that recommends commonly composed charts, the fundamental problems of multi-dialect unification, imbalanced data and open vocabulary exist. In this paper, we propose Table2Charts framework which learns common patterns from a large corpus of (table, charts) pairs. Based on deep Q-learning with copying mechanism and heuristic searching, Table2Charts does table-to-sequence generation, where each sequence follows a chart template. On a large spreadsheet corpus with 196k tables and 306k charts, we show that Table2Charts could learn a shared representation of table fields so that tasks on different chart types could mutually enhance each other. Table2Charts has >0.61 recall at top-3 and >0.49 recall at top-1 for both single-type and multi-type chart recommendation tasks.

研究の動機と目的

• データ探索における多次元テーブルの適切なチャートの推薦という課題に対処する。
• チャート推薦における根本的問題、すなわちマルチディアレクト統合、クラス不均衡、オープンボキャブラリー生成を克服する。
• テーブルのフィールドの共有表現を学習することで、異なるチャートタイプ間での相互強化を実現する。
• 多様なチャートタイプに一般化可能なスケーラブルでエンドツーエンドのフレームワークを構築する。

提案手法

• コピーメカニズムを用いた深層Q学習を活用し、テーブル入力をもとにチャート系列を生成する。
• チャート推薦をテーブルから系列への変換タスクとしてモデル化し、各系列がチャートテンプレートに対応する。
• 生成品質の向上と多様なチャート設定の探索のため、ヒューリスティックサーチを用いる。
• テーブルのフィールドの共有表現を学習するために、196kのテーブルと306kの（テーブル、チャート）ペアで構成される大規模コーパスを訓練に用いる。
• アテンション機構と系列モデリングを用いて、テーブル属性とチャート構造・意味の整合性を図る。
• 単一タイプと複数タイプのチャート推薦を統一された表現空間を学習することで最適化する。

実験結果

リサーチクエスチョン

• RQ1 テーブルのフィールドの統一的表現は、多様なチャートタイプにわたるチャート推薦性能の向上に寄与するか？
• RQ2 コピーメカニズムを併用した深層Q学習は、表形式データから正確で多様なチャート系列を生成するのにどの程度有効か？
• RQ3 トレーニング中に学習された共有表現は、複数タイプのチャート推薦タスクにどの程度恩恵をもたらすか？
• RQ4 実世界のチャート推薦において、データ不均衡とオープンボキャブラリーの課題は、このフレームワークがどのように対処するか？
• RQ5 モデルのトップkチャート推薦におけるパフォーマンスは、特にトップ1およびトップ3での再現率の観点からどの程度か？

主な発見

• Table2Chartsは、単一タイプおよび複数タイプのチャート推薦タスクにおいて、トップ3での再現率が0.61以上を達成した。
• モデルは、すべての推薦シナリオにおいてトップ1での再現率が0.49以上を達成しており、上位順位の提案における高い正確性を示している。
• 共有表現の学習により、異なるチャートタイプ間での相互強化が実現され、全体の一般化性能が向上した。
• コピーメカニズムは、レアまたはボキャブラリー外のチャート要素を効果的に処理し、オープンボキャブラリー生成を支援した。
• ヒューリスティックサーチと深層Q学習の組み合わせにより、系列生成の品質と多様性が向上した。
• 196kのテーブルと306kのチャートからなる大規模コーパスにおいて、スケーラビリティとロバストネスを示した。