[論文レビュー] The Tangent Search Engine: Improved Similarity Metrics and Scalability for Math Formula Search

Richard Zanibbi, Kenny Davila+2 more|arXiv (Cornell University)|Jul 22, 2015

Mathematics, Computing, and Information Processing参考文献 24被引用数 6

ひとこと要約

本稿では、軽量なシンボルペア上の逆インデックスを用いて高速な候補抽出を実現し、その後にMaximum Subtree Similarity (MSS) を用いて正確な外観ベースのランク付けを行う二段階アプローチであるTangent Search Engineを提案する。この手法は、先行システムと比較してインデックスサイズが著しく小さく、検索時間も速く、NTCIR-11 Wikipedia数式検索ベンチマークで最先端の性能を達成した。

ABSTRACT

With the ever-increasing quantity and variety of data worldwide, the Web has become a rich repository of mathematical formulae. This necessitates the creation of robust and scalable systems for Mathematical Information Retrieval, where users search for mathematical information using individual formulae (query-by-expression) or a combination of keywords and formulae. Often, the pages that best satisfy users' information needs contain expressions that only approximately match the query formulae. For users trying to locate or re-find a specific expression, browse for similar formulae, or who are mathematical non-experts, the similarity of formulae depends more on the relative positions of symbols than on deep mathematical semantics. We propose the Maximum Subtree Similarity (MSS) metric for query-by-expression that produces intuitive rankings of formulae based on their appearance, as represented by the types and relative positions of symbols. Because it is too expensive to apply the metric against all formulae in large collections, we first retrieve expressions using an inverted index over tuples that encode relationships between pairs of symbols, ranking hits using the Dice coefficient. The top-k formulae are then re-ranked using MSS. Our approach obtains state-of-the-art performance on the NTCIR-11 Wikipedia formula retrieval benchmark and is efficient in terms of both index space and overall retrieval time. Retrieval systems for other graphical forms, including chemical diagrams, flowcharts, figures, and tables, may also benefit from adopting our approach.

研究の動機と目的

• 正確な一致が稀または存在しない場合、特に非専門家や視覚的構造に基づく検索を行う場合に、数学的に類似した数式を効果的に検索する課題に対処すること。
• 形式的数学表記に不慣れなユーザーにとって直感的で、視覚的および構文的類似性に基づいてランク付けされる、スケーラブルな検索システムを構築すること。
• ベンチマーク上の数式検索タスクで最先端の性能を維持または上回りながら、インデックスサイズを削減し、検索効率を向上させること。
• 相対的な記号の位置関係や種別を反映した、視覚的に根拠のある数式のランク付けを提供することで、数学的表記に不慣れなユーザーの使いやすさを向上させること。

提案手法

• システムは、数式内の隣接またはネストされた記号間の関係をエンコードするタプルとしてのシンボルペアに基づく逆インデックスを用い、Dice係数を用いたランク付けにより高速な候補抽出を実現する。
• 第一段階で得られた上位-kの候補は、最大部分木類似度(MSS)指標を用いて再ランク付けされる。この指標は、記号の種別をグリーディに統合し、接続された一致部分木のサイズを最大化することで類似度を計算する。
• MSS指標は、クエリとターゲット数式間で大きな構造的整合性を持つ一致を優先し、意味的同等性よりも相対的な記号の位置関係や種別を重視する。
• 二段階アーキテクチャにより、高速なフィルタリングと正確な類似度計算が分離され、大規模な数式コレクションへの効率的スケーリングが可能になる。
• システムは近似一致（ワイルドカードを含む）をサポートし、結果を一致タイプ（例：正確一致、変数置換）ごとにグループ化することで、ユーザーの解釈性を向上させる。
• インデックス圧縮と効率的なタプルエンコードにより、ストレージ要件が削減され、Wikipediaのような大規模リポジトリへの展開が可能になる。

実験結果

リサーチクエスチョン

• RQ1 シンボルペア上の軽量な逆インデックスは、数式による検索のための候補数式を効果的に抽出できるか？
• RQ2 最大部分木類似度(MSS)指標は、視覚的および構造的特徴に基づく人間の類似度認識と整合するランク付けを生成するか？
• RQ3 高速なフィルタリングと正確な再ランク付けを組み合わせた二段階検索パイプラインは、顕著に小さいインデックスサイズで最先端の性能を達成できるか？
• RQ4 ワイルドカードや部分一致を含むさまざまなクエリタイプに対して、システムの性能はどのように変化するか？

主な発見

• Tangent Search Engineは、NTCIR-11 Wikipedia数式検索ベンチマークで最先端の性能を達成し、先行システムを効果性と効率性の両面で上回った。
• MSS指標は人間の類似度判断とよく一致し、上位ランクの数式は五段階リクルート尺度で「非常に類似」または「類似」と常に評価された。
• 検索モデルにおけるウィンドウサイズ1が、最小限のインデックスオーバーヘッドと最速の検索時間を実現し、高い効率性を示した。
• 従来のアプローチよりもはるかに小さなインデックスで高い検索効果性を達成したため、性能を損なわず空間効率性が向上したことが示された。
• ユーザーテストに参加したユーザーは、結果の一致構造と類似度タイプごとのグループ化が、使いやすさと解釈性を向上させたと報告した。
• 二段階アーキテクチャにより、全体の検索時間が短縮されながらも高い正確性を維持したため、大規模な数式リポジトリへのスケーラビリティが実証された。