[論文レビュー] TabEAno: Table to Knowledge Graph Entity Annotation

Phuc Nguyen, Natthawut Kertkeidkachorn+2 more|arXiv (Cornell University)|Oct 5, 2020

Data Quality and Management参考文献 26被引用数 5

ひとこと要約

TabEAnoは、同一行内の2つのセル間に論理的関係が存在すると仮定する、新しい「2セル」照合戦略を用いた教師なしアプローチを提案する。単純であるが、T2D、Limaye、Wikipediaデータセットにおいて最先端の手法を上回り、Hybrid I/IIと比較してF1スコアで+0.06の向上を達成し、大規模データにおいても高い再現率を示した。

ABSTRACT

In the Open Data era, a large number of table resources have been made available on the Web and data portals. However, it is difficult to directly utilize such data due to the ambiguity of entities, name variations, heterogeneous schema, missing, or incomplete metadata. To address these issues, we propose a novel approach, namely TabEAno, to semantically annotate table rows toward knowledge graph entities. Specifically, we introduce a "two-cells" lookup strategy bases on the assumption that there is an existing logical relation occurring in the knowledge graph between the two closed cells in the same row of the table. Despite the simplicity of the approach, TabEAno outperforms the state of the art approaches in the two standard datasets e.g, T2D, Limaye with, and in the large-scale Wikipedia tables dataset.

研究の動機と目的

• 意味的曖昧さ、名前表記のばらつき、メタデータの不完全さのため、知識グラフエンティティで表データを意味的にアノテートすることの課題に対処する。
• ゴールスタンダードの学習データを必要としない教師なし設定で、表のエンティティアノテーションを改善する。
• 従来の研究で軽視されがちな、構造アノテーションと候補生成ステップの改善を図る。
• 特にオープンドメインおよびウェブ規模の表に対して、スケーラブルで高再現率の解決策を開発する。
• 高価な学習データに依存しない実用的な表アノテーションシステムの導入を可能にする。

提案手法

• 構造レベルの正確性を向上させるために、コア属性およびヘッダアノテーションのためのヒューリスティックルールを導入する。
• 同一行内の2つのセルが知識グラフの関係によって関連すると仮定し、'2セル'照合戦略を提案する。
• ターゲットとしてDBpediaを用い、行内の2つのセルの値を用いてエンティティ照合を実行する。
• 複数の2セル組み合わせからの結果を集約して、頑健なエンティティ候補リストを生成する。
• 複雑な学習モデルを避けるために、単純な集約手法を用いて候補の再順序付けを実施する。
• 既存の知識グラフエッジを活用してエンティティリンクをガイドし、学習データへの依存を低減する。

実験結果

リサーチクエスチョン

• RQ1 同じ行内に共起するという単純な教師なし照合戦略が、表のエンティティアノテーション性能を向上させられるか？
• RQ2 提案手法の2セル照合戦略は、最先端のハイブリッドおよび埋め込みベース手法と比較して、F1スコアおよび再現率の面でどのように差をつけるか？
• RQ3 コア属性およびヘッダアノテーションにおけるヒューリスティックな改善が、全体のアノテーション正確性にどの程度寄与するか？
• RQ4 学習データを必要とせず、Wikipedia表のような大規模データセットに対しても、このアプローチは効果的にスケーリング可能か？
• RQ5 この手法は、多様な表スキーマおよびデータタイプにわたり、高い性能を維持できるか？

主な発見

• TabEAnoはT2Dデータセットにおいて、最先端のHybrid IおよびIIシステムを+0.06 F1スコアの向上で上回った。
• Limayeデータセットでは、TabEAnoはHybrid IIと比較して+0.06 F1スコアの向上を達成した。
• 大規模なWikipedia表データセットでは、TabEAnoはHybrid IIと比較してF1スコアを+0.01向上させた。
• 教師なしであるにもかかわらず、TabEAnoはHybrid IIを上回る再現率を達成しており、より多くの正しくアノテートされたエンティティが得られたことを示している。
• 強化されたヒューリスティックルールにより、T2Dではコア属性アノテーションの正確性が3%向上し、Wikipediaデータセットでは1%向上した。
• 2セル照合戦略により、学習データがなくても高い再現率と頑健性を達成でき、多様な表タイプにわたる優れた一般化性能を示した。