[논문 리뷰] Table2Charts: Learning Shared Representations for Recommending Charts on Multi-dimensional Data

Mengyu Zhou, Qingtao Li외 3명|arXiv (Cornell University)|2020. 08. 24.

Time Series Analysis and Forecasting참고 문헌 3인용 수 6

한 줄 요약

Table2Charts는 196만 개의 표와 306만 개의 차트에서 공유 표현을 학습하여 적절한 시각화를 추천하는 딥 강화학습 프레임워크를 제안한다. 복사 메커니즘과 히우리스틱 검색을 활용한 시퀀스 생성을 통해 단일 및 다중 유형 차트 추천에서 각각 상위 3개 내에서 0.61 이상, 상위 1개 내에서 0.49 이상의 재현율을 달성한다.

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.

연구 동기 및 목표

• 데이터 탐색 과정에서 다차원 표에 적합한 차트를 추천하는 과제를 해결한다.
• 다양한 어법 통합, 클래스 불균형, 오픈 어휘 생성과 같은 차트 추천의 근본적 문제를 극복한다.
• 표 필드의 공유 표현을 학습함으로써 서로 다른 차트 유형 간 상호 강화를 가능하게 한다.
• 다양한 차트 유형으로 일반화되는 스케일러블하고 종단 간 프레임워크를 개발한다.

제안 방법

• 표 입력에서 차트 시퀀스를 생성하기 위해 복사 메커니즘을 활용한 딥 Q-학습을 활용한다.
• 각 시퀀스가 차트 템플릿에 해당하는, 표에서 시퀀스로의 생성 작업으로 차트 추천을 모델링한다.
• 생성 품질 향상과 다양한 차트 구성 탐색을 위해 히우리스틱 검색을 사용한다.
• 표 필드의 공유 표현을 학습하기 위해 196만 개의 표와 306만 개의 (표, 차트) 쌍으로 구성된 대규모 코퍼스를 학습에 활용한다.
• 표 속성과 차트 구조 및 의미를 정렬하기 위해 어텐션 메커니즘과 시퀀스 모델링을 적용한다.
• 통합된 표현 공간을 학습함으로써 단일 유형 및 다중 유형 차트 추천 모두 최적화한다.

실험 결과

연구 질문

• RQ1 표 필드의 통합 표현이 다양한 차트 유형에 걸쳐 차트 추천 성능을 향상시키는가?
• RQ2 복사 메커니즘을 활용한 딥 Q-학습이 표 데이터에서 정확하고 다양한 차트 시퀀스를 생성하는 데 얼마나 효과적인가?
• RQ3 다중 유형 차트 추천 작업에서 학습 과정에서 학습된 공유 표현으로부터 얼마나 많은 이점이 발생하는가?
• RQ4 실제 차트 추천에서 데이터 불균형과 오픈 어휘 과제를 프레임워크는 어떻게 다루는가?
• RQ5 모델의 상위-k 차트 추천 성능는 어떠한가, 특히 상위 1위 및 상위 3위의 재현율 측면에서 어떻게 되는가?

주요 결과

• Table2Charts는 단일 유형 및 다중 유형 차트 추천 작업 모두에서 상위 3위 내에서 0.61 이상의 재현율을 달성한다.
• 모든 추천 시나리오에서 상위 1위 내에서 0.49 이상의 재현율을 확보하여 상위 순위 제안의 정밀도가 뛰어나다는 것을 보여준다.
• 공유 표현 학습은 서로 다른 차트 유형 간 상호 강화를 가능하게 하여 전체 일반화 성능 향상에 기여한다.
• 복사 메커니즘이 드물게 발생하거나 어휘에 없는 차트 요소를 효과적으로 처리하여 오픈 어휘 생성을 지원한다.
• 히우리스틱 검색과 딥 Q-학습의 조합은 시퀀스 생성 품질과 다양성을 향상시킨다.
• 프레임워크는 196만 개의 표와 306만 개의 차트로 구성된 대규모 코퍼스에서 스케일러블함과 강건성을 입증한다.