[論文レビュー] TabVec: Table Vectors for Classification of Web Tables

Majid Ghasemi-Gol, Pedro Szekely|arXiv (Cornell University)|Feb 17, 2018

Data Quality and Management参考文献 10被引用数 14

ひとこと要約

TabVec は、ドメイン固有の語の文脈定義と構造的特徴を用いて、ウェブテーブルをベクトル空間に埋め込む非教師あり手法であり、最小限のユーザー介入でテーブルの種別（例：リレーショナル、エンティティ、行列、リスト、非データ）を正確に分類可能である。既存の最先端手法と比較して、F1 マイクロスコアを 20% 以上向上させ、特に既存の知識ベースやアノテーションが存在しない低リソースドメインでも優れた性能を示す。

ABSTRACT

There are hundreds of millions of tables in Web pages that contain useful information for many applications. Leveraging data within these tables is difficult because of the wide variety of structures, formats and data encoded in these tables. TabVec is an unsupervised method to embed tables into a vector space to support classification of tables into categories (entity, relational, matrix, list, and non-data) with minimal user intervention. TabVec deploys syntax and semantics of table cells, and embeds the structure of tables in a table vector space. This enables superior classification of tables even in the absence of domain annotations. Our evaluations in four real world domains show that TabVec improves classification accuracy by more than 20% compared to three state of the art systems, and that those systems require significant in domain training to achieve good results.

研究の動機と目的

• ドメイン固有の知識ベースやアノテート済みトレーニングデータが利用できない状況において、ウェブテーブルを構造的種別（例：リレーショナル、行列、リスト）に分類する課題に対処すること。
• テーブルセルの構文的および意味的特徴とその構造的レイアウトを活用して、意味のあるテーブルベクトルを生成する非教師あり手法を開発すること。
• 専門分野（例：人身売買、証券詐欺）においては、専門家によるアノテーションや事前知識ベースがしばしば入手困難または高コストであるため、それらへの依存を低減すること。
• ユーザーが類似するテーブルのクラスタを最小限の作業でラベル付けできるようにすることで、スケーラブルでインタラクティブな分類を可能にすること。

提案手法

• 周囲のテキスト、セル内テキスト、ヘッダーセル、隣接セルの4つの異なる語の文脈定義を用いて、テーブルデータ上で単語ベクトル空間モデルを学習する。
• 学習された単語ベクトル空間を用いて、各テーブルセルをベクトルとして表現し、意味的および構文的特徴を捉える。
• ヘッダーなど構造的要素を強調する重み付き平均を用いて、セルベクトルを集約し、テーブルベクトルを計算する。
• 得られたテーブルベクトルを用いて、特定のドメイン内での構造的類似性に基づいてテーブルをクラスタリングする。
• ユーザーがクラスタをラベル付けしてテーブル種別（例：リレーショナル、エンティティ）を割り当てることで、低リソースでインタラクティブな分類を実現する。
• テーブルベクトルを分類モデルの入力特徴として扱うことで、非教師ありクラスタリングと教師ありファインチューニングの両方をサポートする。

実験結果

リサーチクエスチョン

• RQ1 テーブルにおける語の文脈定義（例：周囲のテキスト、隣接セル）の違いが、学習された単語ベクトル空間の品質および後続のテーブル分類に与える影響は何か？
• RQ2 ヘッダー、レイアウトなどの構造的特徴を符号化するテーブルベクトルは、コンテンツのみまたは外部知識ベースに依存する手法と比較して、分類精度を向上させられるか？
• RQ3 特に低リソースまたは特殊なドメインにおいて、ドメイン固有のアノテーションが存在しない状況でも、TabVec が高精度な分類性能を達成できる範囲はどの程度か？
• RQ4 非教師ありおよび教師ありの両設定において、TabVec の性能は DWTC や webcommons、TabNet といった最先端システムと比較してどの程度か？
• RQ5 テーブルベクトル空間を用いて、構造的種別ごとにテーブルを効果的にクラスタリングできるか？また、ユーザーが最小限の作業でこれらのクラスタをラベル付けすることで、正確な分類が達成できるか？

主な発見

• ドメインアノテーションが存在しない状況では、TabVec は4つの実世界ドメインにおいて3つの最先端システムと比較して平均で F1 マイクロスコアが 0.40 向上した。
• ドメイン固有のトレーニングデータが利用できない状況では、2番目に優れたシステムである DWTC よりも、TabVec が4つのドメインすべてで優れた性能を示した。
• ユーザーによるアノテーションの必要性が顕著に低減された：わずかな数のクラスタラベルで高い分類精度が達成された。
• TabVec の性能は安定的かつスケーラブルであり、Web Common Crawl ドメインでは平均して1テーブルあたり約 1.5ms の計算時間でテーブルベクトルが生成された。
• 教師ありファインチューニングを適用した場合、TabVec は特徴ベースの手法である DWTC と同等の性能を示したが、DWTC はより多くのアノテートデータを必要としていたため、TabVec が優位に立った。
• 複数の文脈定義（例：隣接セル、ヘッダーセル）を用いた単語ベクトルの使用は、単一の定義を使用する場合と比較して、より頑健なテーブルベクトル表現をもたらした。