[论文解读] MTab: Matching Tabular Data to Knowledge Graph using Probability Models

Phuc Nguyen, Natthawut Kertkeidkachorn+2 more|arXiv (Cornell University)|Oct 1, 2019

Semantic Web and Ontologies参考文献 8被引用 12

一句话总结

MTab 是一种用于将表格数据匹配到知识图谱（如 DBpedia）的概率框架，整合了多种查找服务、字面匹配信号以及跨列、行和类型的置信度聚合。在 SemTab 2019 的 CEA、CTA 和 CPA 任务中，MTab 实现了高达 1.000 的 F1 分数和 1.956 的平均平均精度，通过联合概率建模与信号融合展现出稳健的性能。

ABSTRACT

This paper presents the design of our system, namely MTab, for Semantic Web Challenge on Tabular Data to Knowledge Graph Matching (SemTab 2019). MTab combines the voting algorithm and the probability models to solve critical problems of the matching tasks. Results on SemTab 2019 show that MTab obtains promising performance for the three matching tasks.

研究动机与目标

• 为解决将表格数据映射到知识图谱（如 DBpedia）的挑战，特别是处理多语言和语义复杂的表格数据。
• 通过克服标准实体查找和字面值匹配的局限性，提升匹配性能。
• 开发一种统一的概率框架，融合来自列类型、单元格值、行上下文和列间关系的信号。
• 在 SemTab 2019 基准上对三个子任务（CEA、CTA 和 CPA）进行系统评估。

提出的方法

• MTab 使用一个七步流程，整合文本解码、语言预测、数据类型和实体类型分类，以及多源实体查找（DBpedia、Wikipedia、Wikidata）。
• 应用联合概率模型以整合信号：实体查找置信度、列类型概率、单元格值相似度（通过 Levenshtein 距离计算）以及行级共现模式。
• 通过归一化 Levenshtein 比率并应用启发式规则（如缩写词、日期格式）增强字面匹配，以提高值到知识图谱字面量的对齐精度。
• 利用归一化相似度分数计算列间关系概率，对数值列可选地施加加权。
• 通过可学习权重的加权乘积模型，重新估算实体候选，融合四种信号：查找结果、列类型、单元格值和行上下文。
• 最终预测通过聚合置信度分数后对最高排名的实体、类型和关系进行多数投票进行优化。

实验结果

研究问题

• RQ1 多源实体查找在知识图谱链接中如何提升非英语及模糊表格值的匹配准确性？
• RQ2 字面匹配信号（如归一化 Levenshtein 距离、启发式规则）在多大程度上能提高单元格到实体和列到类型的映射精度？
• RQ3 对不同类型信号（类型、值、行上下文、列间关系）进行联合概率建模，是否能优于孤立使用单一信号的方法？
• RQ4 在列和行层面的置信度聚合如何提升实体和关系预测的可靠性？
• RQ5 对封闭世界知识图谱和固定表格标题等假设，对系统鲁棒性和可扩展性有何影响？

主要发现

• MTab 在 Round 1 的 CEA 任务中取得了 1.000 的 F1 主要分数，表明该轮次的精确率和召回率均为完美。
• 在 Round 3 中，MTab 在 CTA 任务中取得了 1.956 的分数，是 SemTab 2019 挑战赛中所有系统中的最高分。
• 在 CPA 任务中，MTab 在 Round 3 保持了 0.844 的 F1 分数，在 Round 4 中为 0.832。
• 通过利用多语言查找和语言感知处理，系统在多种表格类型和语言中均表现出稳健性。
• 在多信号置信度聚合显著提升了实体候选排序效果，尤其在低覆盖率或模糊情形下表现突出。
• 在概率模型中使用可学习权重，实现了动态信号整合，增强了在不同表格结构上的泛化能力。