[论文解读] Recommending Related Tables

Shuo Zhang, Krisztian Balog|arXiv (Cornell University)|Jul 8, 2019

Data Quality and Management参考文献 29被引用 7

一句话总结

该论文提出了一种新颖的框架，通过在多种语义空间（基于词语、基于图、基于实体）中建模表格元素，并利用判别式学习结合元素级相似度，实现相关表格的推荐。所提出的CRAB方法在基于维基百科的测试集上取得了最先进性能，在NDCG@10指标上相比手工设计特征基线方法性能提升近30%。

ABSTRACT

Tables are an extremely powerful visual and interactive tool for structuring and manipulating data, making spreadsheet programs one of the most popular computer applications. In this paper we introduce and address the task of recommending related tables: given an input table, identifying and returning a ranked list of relevant tables. One of the many possible application scenarios for this task is to provide users of a spreadsheet program proactively with recommendations for related structured content on the Web. At its core, the related table recommendation task boils down to computing the similarity between a pair of tables. We develop a theoretically sound framework for performing table matching. Our approach hinges on the idea of representing table elements in multiple semantic spaces, and then combining element-level similarities using a discriminative learning model. Using a purpose-built test collection from Wikipedia tables, we demonstrate that the proposed approach delivers state-of-the-art performance.

研究动机与目标

• 解决在无需显式关键词查询的情况下主动推荐相关表格的任务。
• 克服现有表格匹配方法依赖临时相似度度量且缺乏对元素级相似度进行合理整合的局限性。
• 构建一个统一且理论严谨的框架，支持同类型（逐元素）和跨类型（跨元素）的表格元素匹配。
• 系统评估不同表格元素（如表头、标题、单元格值）以及语义表示对推荐性能的贡献。
• 从维基百科表格中构建一个标准化的测试集，以支持表格推荐系统可复现的评估。

提出的方法

• 在多种语义空间中表示表格元素（如表头、单元格值、标题）：基于词语（词嵌入）、基于图（知识图谱路径）、基于实体（知识库嵌入）。
• 使用语义表示计算元素级相似度，支持逐元素匹配（如表头对表头）和跨元素匹配（如表头对单元格值）。
• 利用判别式学习模型（如梯度提升或逻辑回归）组合多个元素级相似度得分，以预测整体表格对的相似度。
• 设计一个基于特征的基线方法（HCF），结合先前工作中手工设计的相似度度量，用于与所提出的语义表示方法进行对比。
• 实现并评估该通用框架的四种变体：使用词语、图和实体表示的CRAB，以及一个混合版本（CRAB-2）。
• 使用专为本研究构建的维基百科表格测试集进行模型训练与评估，相关性判断基于内容的语义相关性与新颖性。

实验结果

研究问题

• RQ1 在表格匹配的背景下，哪种语义表示——基于词语、基于图或基于实体——对建模表格元素最为有效？
• RQ2 与传统的逐元素匹配相比，跨元素匹配（如将输入表格的表头与候选表格的单元格值进行比较）是否能提升性能？
• RQ3 不同表格元素（如标题、列标题、单元格值）对整体推荐性能的贡献如何？
• RQ4 输入表格大小（行数或列数）如何影响推荐框架的性能？
• RQ5 基于学习的语义表示组合方式是否优于手工设计的特征组合方式？

主要发现

• CRAB框架通过在多个语义空间中使用语义表示，在基于维基百科的测试集中实现了最先进性能，在NDCG@10指标上相比最佳手工特征基线（HCF）性能提升近30%。
• 跨元素匹配——即比较不同类型元素（如将输入表格的表头与候选表格的单元格值进行比较）——带来了可测量的性能提升，挑战了‘仅同类型比较才有用’的假设。
• 基于实体的语义表示在匹配准确性和鲁棒性方面始终优于基于词语和基于图的表示。
• 推荐性能随输入表格尺寸的增大而提升，无论是在水平方向（更多列）还是垂直方向（更多行），表明该框架能有效利用更大的输入上下文。
• 表格元素对性能的贡献各不相同：列标题和单元格值的贡献最为显著，而标题和标题的贡献虽有限但仍有实际意义。
• 判别式学习模型能有效整合多样化的语义相似度信号，表明联合建模多种表示方式可提升整体泛化能力，超越单一组件的性能。