[论文解读] Web Table Extraction, Retrieval and Augmentation: A Survey

Shuo Zhang, Krisztian Balog|arXiv (Cornell University)|Feb 1, 2020

Data Quality and Management参考文献 82被引用 26

一句话总结

本综述对过去二十年间网络表格信息访问的研究进行了全面回顾，将该领域归纳为六大核心任务：信息抽取、语义理解、搜索、问答系统、知识库增强以及表格增强。综述整合了开创性方法，识别了关键资源，并强调了各项任务之间的相互依赖关系，为推进知识发现与人工智能系统中的网络表格理解与利用提供了基础参考。

ABSTRACT

Tables are a powerful and popular tool for organizing and manipulating data. A vast number of tables can be found on the Web, which represents a valuable knowledge resource. The objective of this survey is to synthesize and present two decades of research on web tables. In particular, we organize existing literature into six main categories of information access tasks: table extraction, table interpretation, table search, question answering, knowledge base augmentation, and table augmentation. For each of these tasks, we identify and describe seminal approaches, present relevant resources, and point out interdependencies among the different tasks.

研究动机与目标

• 将过去二十年关于网络表格的研究整合并组织为六个核心信息访问任务的连贯框架。
• 识别并描述各类任务中的开创性方法、关键数据集与技术革新。
• 阐明表格抽取、语义理解与增强等任务之间的相互依赖关系，以优化系统设计。
• 突出网络表格处理中尚未解决的挑战与未来研究方向，包括查询意图建模以及处理异构表格格式的问题。
• 为知识库构建、自然语言处理与信息检索领域的研究人员和实践者提供基础参考。

提出的方法

• 将网络表格研究划分为六大主要任务：信息抽取、语义理解、搜索、问答系统、知识库增强与表格增强。
• 回顾各类任务中的开创性方法，包括用于表格检测、模式链接与语义解析的基于规则、机器学习与深度学习方法。
• 分析利用关键词查询或基于表格的查询进行表格搜索的技术，结合页面上下文与表格结构以提升排序效果。
• 研究基于表格的问答方法，重点聚焦于自然语言解析与关系型表格中的事实抽取。
• 探讨利用表格数据进行知识库增强的方法，包括实体链接与从非结构化表格中发现关系。
• 回顾通过外部源（如知识库与网页）扩展表格的表格增强技术，包括冲突检测与解决策略。

实验结果

研究问题

• RQ1 从非结构化网页中提取并结构化网络表格的关键挑战与研究趋势是什么？
• RQ2 如何准确地解释网络表格列与单元格的语义，并将其链接到外部知识源？
• RQ3 在响应关键词查询或基于表格的查询时，最有效的表格检索方法是什么？
• RQ4 在哪些场景下网络表格相较于文本知识源在问答任务中表现更优？其局限性又是什么？
• RQ5 如何系统性地利用网络表格增强现有知识库，特别是当实体或关系尚未存在于知识库中时？

主要发现

• 关系型表格因其基于属性的结构化格式，对知识发现最具价值，但其语义通常隐含，需经过语义理解才能揭示。
• 表格搜索系统通常假设为“类别-属性”查询模式，这限制了其对关系型表格的适用性，也降低了对多样化查询意图的覆盖能力。
• 基于表格的问答系统存在覆盖范围有限的问题，但可与基于文本的问答形成互补，尤其在表格包含精确事实数据时优势明显。
• 现有知识库增强方法常忽略表格中“知识库外”的实体与属性，例如维基百科表格中未链接的提及项。
• 表格增强技术在扩展新行或新列方面有效，但在整合异构数据源与解决冲突方面仍面临挑战。
• 未来系统需具备更优的查询意图分类能力与自适应摘要技术（如剔除式或抽象式摘要），以提升大规模表格搜索结果的可用性。