[论文解读] TabEAno: Table to Knowledge Graph Entity Annotation

Phuc Nguyen, Natthawut Kertkeidkachorn+2 more|arXiv (Cornell University)|Oct 5, 2020

Data Quality and Management参考文献 26被引用 5

一句话总结

TabEAno 提出了一种无监督的表格到知识图谱实体注释方法，采用新颖的'两单元'查找策略，假设同一行中的两个单元格之间存在逻辑关系。尽管方法简单，但在 T2D、Limaye 和 Wikipedia 数据集上均优于最先进方法，在 F1 分数上较 Hybrid I/II 提升 0.06，且在大规模数据上实现了更高的召回率。

ABSTRACT

In the Open Data era, a large number of table resources have been made available on the Web and data portals. However, it is difficult to directly utilize such data due to the ambiguity of entities, name variations, heterogeneous schema, missing, or incomplete metadata. To address these issues, we propose a novel approach, namely TabEAno, to semantically annotate table rows toward knowledge graph entities. Specifically, we introduce a "two-cells" lookup strategy bases on the assumption that there is an existing logical relation occurring in the knowledge graph between the two closed cells in the same row of the table. Despite the simplicity of the approach, TabEAno outperforms the state of the art approaches in the two standard datasets e.g, T2D, Limaye with, and in the large-scale Wikipedia tables dataset.

研究动机与目标

• 解决由于语义模糊性、名称变体和元数据不完整而导致的表格数据与知识图谱实体语义注释的挑战。
• 在无需标准训练数据的前提下，在无监督设置下提升表格实体注释性能。
• 改进结构注释和候选生成步骤，这些步骤在以往研究中常被忽视。
• 为大规模表格注释开发可扩展、高召回率的解决方案，尤其适用于开放域和网络规模的表格。
• 通过避免对昂贵训练数据的依赖，实现表格注释系统的实际部署。

提出的方法

• 引入启发式规则用于核心属性和表头注释，以提升结构层面的准确性。
• 提出基于假设的'两单元'查找策略，即同一行中的两个单元格通过知识图谱关系相关联。
• 使用 DBpedia 作为目标知识图谱，通过行中两个单元格的值执行实体查找以生成候选实体。
• 整合多个两单元组合的结果，生成稳健的实体候选列表。
• 采用简单的聚合方法进行候选重排序，避免使用复杂的学习模型。
• 利用现有的知识图谱边来引导实体链接，减少对训练数据的依赖。

实验结果

研究问题

• RQ1 基于同一行中共现的简单无监督查找策略，能否提升表格实体注释性能？
• RQ2 所提出的两单元查找策略在 F1 分数和召回率方面与最先进混合方法及基于嵌入的方法相比如何？
• RQ3 核心属性和表头注释的启发式改进在多大程度上提升了整体注释准确性？
• RQ4 该方法能否在无需训练数据的情况下有效扩展至大规模数据集（如 Wikipedia 表格）？
• RQ5 该方法在不同表格模式和数据类型上是否保持高性能？

主要发现

• 在 T2D 数据集上，TabEAno 比最先进方法 Hybrid I 和 II 的 F1 分数提升 0.06。
• 在 Limaye 数据集上，TabEAno 相较于 Hybrid II 实现了 F1 分数 +0.06 的提升。
• 在大规模 Wikipedia 表格数据集上，TabEAno 相较于 Hybrid II 的 F1 分数提升了 +0.01。
• 尽管为无监督方法，TabEAno 的召回率仍优于 Hybrid II，表明其成功注释的实体数量更多。
• 通过改进的启发式规则，TabEAno 在 T2D 数据集上将核心属性注释准确率提升 3%，在 Wikipedia 数据集上提升 1%。
• 两单元查找策略即使在无训练数据的情况下也能实现高召回率和强鲁棒性，展现出在多样化表格类型上的优异泛化能力。