[论文解读] Facetize: An Interactive Tool for Cleaning and Transforming Datasets for Facilitating Exploratory Search

Anna Kokolaki, Yannis Tzitzikas|arXiv (Cornell University)|Dec 27, 2018

Data Quality and Management参考文献 19被引用 3

一句话总结

Facetize 是一个交互式、用户友好的编辑器，使非技术用户能够通过引导式、可视化操作，将静态或动态数据集（例如 CSV、SPARQL 查询结果）清理、转换并结构化为适合多维筛选的格式。它支持关键的数据准备任务，如过滤、值替换、层次结构与区间创建、派生属性生成以及地理标记——在用户评估中表现出高可用性，任务完成率达 70%。

ABSTRACT

There is a plethora of datasets in various formats which are usually stored in files, hosted in catalogs, or accessed through SPARQL endpoints. In most cases, these datasets cannot be straightforwardly explored by end users, for satisfying recall-oriented information needs. To fill this gap, in this paper we present the design and implementation of Facetize, an editor that allows users to transform (in an interactive manner) datasets, either static (i.e. stored in files), or dynamic (i.e. being the results of SPARQL queries), to datasets that can be directly explored effectively by themselves or other users. The latter (exploration) is achieved through the familiar interaction paradigm of Faceted Search (and Preference-enriched Faceted Search). Specifically in this paper we describe the requirements, we introduce the required set of transformations, and then we detail the functionality and the implementation of the editor Facetize that realizes these transformations. The supported operations cover a wide range of tasks (selection, visibility, deletions, edits, definition of hierarchies, intervals, derived attributes, and others) and Facetize enables the user to carry them out in a user-friendly and guided manner, without presupposing any technical background (regarding data representation or query languages). Finally we present the results of an evaluation with users. To the best of your knowledge, this is the first editor for this kind of tasks.

研究动机与目标

• 为解决纯文本数据集（如 CSV、SPARQL 查询结果）直接通过多维筛选进行探索的挑战，特别是针对非技术用户。
• 识别将原始数据集转化为用户友好、适合多维筛选格式的核心需求。
• 设计并实现一个交互式编辑器，支持数据清洗、转换与增强，而无需编程或专业技术知识。
• 在真实世界的数据准备场景中，评估该工具的可用性与有效性。
• 支持静态与动态数据集的处理，包括直接集成 SPARQL 端点。

提出的方法

• 该系统提供一个可视化、引导式界面，供用户执行数据转换操作，如行过滤、值编辑，以及属性的删除或隐藏。
• 支持创建层级分组（如地理位置层级）和数值区间（如价格范围），以提升多维筛选的可用性。
• 用户可通过基于规则的界面，根据现有值定义派生属性（如新的“宠物与吸烟”标志）。
• 地理属性（纬度/经度）可显式标记，以便在下游多维筛选系统中进行空间可视化。
• 该工具支持静态数据集（如 CSV 文件）和通过 SPARQL 端点检索的动态数据集，具备项目持久化功能，支持增量编辑。
• 转换工作流通过基于项目的系统进行管理，可在数据集刷新后保留用户定义的配置。

实验结果

研究问题

• RQ1 非技术用户如何在不编写代码或使用查询语言的情况下，有效清理并结构化原始数据集，以用于多维筛选系统？
• RQ2 哪些数据转换操作组合最有效且直观，适用于为探索性搜索准备数据集？
• RQ3 与传统数据清洗工具相比，交互式引导式编辑器在真实世界数据准备任务中的可用性如何？
• RQ4 像 Facetize 这样的工具在统一、用户友好的界面中，能在多大程度上同时支持静态与动态数据集（如 SPARQL 查询结果）？
• RQ5 引导式、可视化转换工作流对数据准备任务的完成率和错误率有何影响？

主要发现

• 70% 的用户成功完成了完整的数据转换任务，生成的数据集可正确加载至 Hippalus 等多维筛选系统。
• 在任务中花费 10–15 分钟的用户成功率最高，表明此时间投入为有效数据转换的最优时长。
• 最成功的用户犯了 1–3 个错误（成功率 35%），而无错误用户的成功率仅为 20%，表明轻微错误并未阻碍表现。
• 40% 的用户将 Facetize 评为“非常有用”，60% 的用户评为“有用”，表明参与者普遍认可其价值。
• 仅 10% 的用户中止了任务，且大多数失败原因在于误用系统，而非界面本身存在根本缺陷。
• 该工具成功支持了复杂转换操作，如层级分组、区间创建和派生属性生成，即使对无技术背景的用户也有效。