[논문 리뷰] It's AI Match: A Two-Step Approach for Schema Matching Using Embeddings

Benjamin Hättasch, Michael Truong-Ngoc외 2명|TUbilio (Technical University of Darmstadt)|2022. 03. 08.

Topic Modeling인용 수 5

한 줄 요약

이 논문은 이질적인 데이터베이스 간의 의미적 대응 관계 탐지 성능을 향상시키기 위해 신경망 임bedding을 사용하는 이단계 스키마 매칭 접근법을 제안한다. 먼저 전체 테이블을 매칭하고, 그 다음에 문맥 기반 임베딩(예: Google USE)을 사용해 개별 속성을 매칭함으로써, 동의어, 다국어 데이터, 또는 도메인 전문 용어와 같은 비트리비얼한 경우에도 강력하고 신뢰할 수 있는 매칭을 달성한다. 이는 벤치마크 데이터셋에서 기존의 문법적 및 의미적 방법들을 능가한다.

ABSTRACT

Since data is often stored in different sources, it needs to be integrated to gather a global view that is required in order to create value and derive knowledge from it. A critical step in data integration is schema matching which aims to find semantic correspondences between elements of two schemata. In order to reduce the manual effort involved in schema matching, many solutions for the automatic determination of schema correspondences have already been developed. In this paper, we propose a novel end-to-end approach for schema matching based on neural embeddings. The main idea is to use a two-step approach consisting of a table matching step followed by an attribute matching step. In both steps we use embeddings on different levels either representing the whole table or single attributes. Our results show that our approach is able to determine correspondences in a robust and reliable way and compared to traditional schema matching approaches can find non-trivial correspondences.

연구 동기 및 목표

• 이질적인 데이터베이스 간의 의미적 대응 관계 탐지 자동화를 통해 수동 작업을 줄이기.
• 기존 스키마 매칭 방법의 한계를 해결하기 위해, 동의어, 다국어 데이터, 또는 도메인 전문 용어와 같은 비트리비얼한 의미적 유사성에 실패하는 경우를 다루기.
• 특히 Google USE와 같은 문맥 기반 임베딩을 포함한 신경망 임베딩의 효과를 테이블 수준 및 속성 수준에서 매칭에 적용해 평가하기.
• 스키마의 구조적 정보와 인스턴스 수준 데이터를 결합함으로써 매칭 정확도와 강건성을 향상시키기.
• 기존의 문법적 및 의미적 매칭기와의 보완 또는 대체로써 임베딩 기반 매칭의 실현 가능성과 성능 탐색하기.

제안 방법

• 이중단계 파이프라인을 사용한다: 첫째, 전체 테이블 표현(스키마 이름, 주석, 구조적 메타데이터)의 임베딩을 사용해 테이블 수준 매칭을 수행하고, 둘째, 개별 속성의 임베딩을 사용해 속성 수준 매칭을 수행한다.
• 속성 매칭의 경우, 속성 이름과 그 인스턴스 값의 임베딩을 모두 활용하며, 평균을 취해 조밀한 벡터 표현을 생성한다.
• Google Universal Sentence Encoder (USE) 및 BERT와 같은 사전 학습된 문맥 기반 임베딩을 활용하며, USE는 유사한 속성과 비유사한 속성을 더 잘 구분하는 데 뛰어난 성능을 보였다.
• 대규모 데이터셋에서 계산 비용을 줄이기 위해 샘플링을 통해 인스턴스 기반 매칭을 향상시키며, 동시에 분류 능력을 유지한다.
• 임베딩 공간에 스키마의 구조적 특징(예: 데이터 유형, 제약 조건)과 텍스트적 내용(이름, 주석, 인스턴스 값)을 모두 통합한다.
• 다양한 임베딩 기반 매칭기의 결과를 융합하는 하이브리드 매칭 전략을 통해 전체 정확도와 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 비트리비얼한 의미적 유사성(예: 동의어, 다국어 등가)을 탐지하는 데 있어, 이중단계 임베딩 기반 접근법이 기존의 스키마 매칭 방법을 능가할 수 있는가?
• RQ2 Google USE 및 BERT와 같은 사전 학습된 문맥 기반 임베딩은 다양한 데이터 소스 간의 데이터베이스 테이블과 속성을 매칭하는 데 얼마나 효과적인가?
• RQ3 인스턴스 데이터 샘플링이 인스턴스 기반 속성 매칭의 성능과 효율성에 얼마나 기여하는가?
• RQ4 다양한 임베딩 소스(예: USE 대비 BERT)는 유사한 속성과 비유사한 속성을 구분하는 데 얼마나 다른가?
• RQ5 임베딩 기반 매칭은 다국어 데이터, 동의어, 또는 도메인 전문 용어와 같은 과제를 효과적으로 다룰 수 있는가?

주요 결과

• 제안된 이중단계 임베딩 접근법은 기존 방법에 비해 비트리비얼한 의미적 유사성(예: 동의어, 다국어 등가) 탐지 성능을 크게 향상시켰다.
• 비슷한 속성과 비유사한 속성을 구분하는 데 있어 Google USE 임베딩이 BERT를 능가했으며, 유사도 범위가 넓고 비매칭 쌍 간의 분리가 더 잘 이루어졌다.
• Adult 데이터셋에서, 이 방법은 'marital-status'와 'relationship'이 의미적으로 유사한 속성임을 정확히 식별했으며, 강력한 의미 이해 능력을 보였다.
• 이 방법은 테이블 매칭과 속성 매칭 모두에서 높은 정확도를 달성했으며, V100 GPU에서 10개의 컬럼, 각 컬럼당 10,000개의 인스턴스를 가진 데이터셋의 경우 계산 시간이 3분 이내였다.
• 인스턴스 데이터 샘플링은 계산 부담을 줄이면서도 임베딩의 분류 능력을 향상시켜 대규모 데이터베이스에 특히 유리했다.
• 이 방법은 다양한 데이터 유형에 대해 강건하며, 속성 이름이 의미 없거나 의미적으로 모호한 경우에도 잘 작동했다.