[论文解读] It's AI Match: A Two-Step Approach for Schema Matching Using Embeddings

Benjamin Hättasch, Michael Truong-Ngoc+2 more|TUbilio (Technical University of Darmstadt)|Mar 8, 2022

Topic Modeling被引用 5

一句话总结

本文提出一种基于神经嵌入的两步模式匹配方法，以提升异构数据库之间语义对应关系的检测效果。通过先匹配整个表，再利用上下文嵌入（如 Google USE）匹配单个属性，该方法在同义词、多语言数据或领域特定术语等非平凡情况下，仍能实现稳健可靠的匹配，优于传统语法和语义方法在基准数据集上的表现。

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.

研究动机与目标

• 通过自动化异构数据库之间的语义对应关系检测，减少人工工作量。
• 解决传统模式匹配方法在处理非平凡语义相似性（如同义词、多语言数据或领域术语）时的局限性。
• 评估神经嵌入（尤其是上下文嵌入如 Google USE）在表级和属性级匹配中的有效性。
• 证明结合结构化模式信息与实例级数据可提升匹配的准确性和鲁棒性。
• 探索基于嵌入的匹配方法作为现有语法和语义匹配器的补充或替代方案的可行性与性能表现。

提出的方法

• 该方法采用两步流水线：首先使用完整表表示（模式名称、注释和结构元数据）的嵌入进行表级匹配；其次使用单个属性的嵌入进行属性级匹配。
• 在属性匹配中，嵌入同时来自属性名称及其实例值，通过平均生成密集向量表示。
• 该方法利用预训练的上下文嵌入（如 Google Universal Sentence Encoder (USE) 和 BERT），其中 USE 在区分相似与不相似属性方面表现更优。
• 通过采样技术增强基于实例的匹配，以降低计算成本，同时保持大规模数据集下的判别能力。
• 该框架将结构化模式特征（如数据类型、约束）与文本内容（名称、注释、实例值）整合到嵌入空间中。
• 采用混合匹配策略，结合多个基于嵌入的匹配器结果，以提升整体准确性和鲁棒性。

实验结果

研究问题

• RQ1 两步基于嵌入的方法是否能在检测非平凡语义对应关系方面优于传统模式匹配方法？
• RQ2 预训练的上下文嵌入（如 Google USE 和 BERT）在跨多样化数据源的数据库表和属性匹配中效果如何？
• RQ3 对实例数据进行采样在多大程度上提升了基于实例的属性匹配的性能与效率？
• RQ4 不同嵌入源（如 USE 与 BERT）在区分语义相似与不相似属性方面表现如何比较？
• RQ5 基于嵌入的匹配能否有效应对多语言数据、同义词或领域特定术语等挑战？

主要发现

• 所提出的两步嵌入方法显著提升了对非平凡语义对应关系（如同义词或多语言等价物）的检测能力，优于传统方法。
• Google USE 嵌入在区分相似与不相似属性方面优于 BERT，具有更宽的相似度范围，并能更好分离非匹配对。
• 在 Adult 数据集中，该方法正确识别出 'marital-status' 与 'relationship' 为语义相似属性，展现出强大的语义理解能力。
• 该方法在表级和属性级匹配中均实现了高准确率，且在 V100 GPU 上处理每列含 10,000 个实例的 10 列数据集时，计算时间低于三分钟。
• 对实例数据进行采样在降低计算负载的同时提升了嵌入的判别能力，尤其适用于大规模数据库。
• 该方法在多种数据类型下均表现稳健，即使在属性名称无意义或语义模糊时也能保持良好性能。