[论文解读] Document Spanners for Extracting Incomplete Information: Expressiveness and Complexity

Francisco Maturana, Cristian Riveros+1 more|arXiv (Cornell University)|Jul 4, 2017

Data Quality and Management参考文献 15被引用 4

一句话总结

本文提出了一种增强型文档跨度匹配器，通过引入映射机制来处理半结构化数据中不完整或可选的信息，扩展了正则表达式公式和提取规则的声明式语义。该工作建立了两种形式化系统的表达能力等价性，证明了包含关系和可满足性问题均为 PSPACE-完全，且在特定条件下查询枚举是可 tractable 的。

ABSTRACT

Rule-based information extraction has lately received a fair amount of attention from the database community, with several languages appearing in the last few years. Although information extraction systems are intended to deal with semistructured data, all language proposals introduced so far are designed to output relations, thus making them incapable of handling incomplete information. To remedy the situation, we propose to extend information extraction languages with the ability to use mappings, thus allowing us to work with documents which have missing or optional parts. Using this approach, we simplify the semantics of regex formulas and extraction rules, two previously defined methods for extracting information, extend them with the ability to handle incomplete data, and study how they compare in terms of expressive power. We also study computational properties of these languages, focusing on the query enumeration problem, as well as satisfiability and containment.

研究动机与目标

• 解决现有基于规则的信息抽取系统中所有变量必须被赋值的局限性，使其不适用于存在缺失或可选字段的文档。
• 为基于正则表达式的提取规则与类似 Datalog 的规则引入声明式语义，以简化并统一其解释方式。
• 通过允许映射表示可选或缺失的数据组件，实现对部分或不完整信息的提取。
• 研究新形式化系统的表达能力、可满足性与包含关系问题，以更好地理解其理论基础。
• 分析查询枚举的计算复杂度，这是信息抽取系统中处理潜在指数级输出的关键任务。

提出的方法

• 通过引入映射——即从变量到跨度的局部函数——扩展传统文档跨度匹配器，以表示可选或缺失的数据。
• 定义两种形式化系统：带映射的正则表达式公式与带映射的类似 Datalog 的提取规则，两者均具有声明式语义。
• 使用确定性顺序变量自动机（VA）来建模跨度匹配器查询的行为，确保映射点不相交且每个文档-映射对具有唯一运行路径。
• 通过为每种形式化系统构造等价的自动机，证明两种形式化系统在表达能力上是等价的。
• 将可满足性与包含关系问题归约为变量自动机上的模型检测问题，证明其为 PSPACE-完全。
• 证明当跨度匹配器以具有点不相交映射的确定性顺序 VA 表示时，查询枚举是可 tractable 的（延迟为多项式时间）。

实验结果

研究问题

• RQ1 基于规则的信息抽取语言能否在不牺牲语义清晰度的前提下，扩展以处理不完整或可选的数据？
• RQ2 当增强映射机制以处理不完整数据时，基于正则表达式的与类似 Datalog 的跨度匹配器形式化系统的表达能力如何？
• RQ3 在新形式化系统中，可满足性与包含关系问题的行为特征是什么？其计算复杂度如何？
• RQ4 在新跨度匹配器形式化系统中，查询枚举是否可 tractable？在何种条件下？
• RQ5 能否使正则表达式公式与提取规则的语义完全声明式化，而非基于解析树或自动机构造的程序化解释？

主要发现

• 所提出的带映射的形式化系统能够从存在缺失或可选字段的文档中提取部分或不完整信息，克服了先前系统的关键局限。
• 带映射的正则表达式公式与带映射的类似 Datalog 的规则在表达能力上是等价的，意味着两者可表示同一类跨度匹配器查询。
• 新形式化系统的可满足性与包含关系问题为 PSPACE-完全，表明其复杂度较高但仍是可判定的。
• 当底层自动机为确定性且顺序的，并具有点不相交映射时，新跨度匹配器形式化系统的查询枚举是可 tractable 的，支持多项式延迟枚举。
• 使用确定性顺序变量自动机可确保每个文档-映射对具有唯一运行路径，从而支持正确且高效的决策过程。
• 该形式化系统支持声明式语义，避免了基于解析树或自动机构造的程序化解释，提升了语义的清晰性与正确性。