DomainNet：面向数据湖消歧的同形异义值检测
数据库
2021-03-24 v2
摘要
现代数据湖在用于描述数据的词汇方面具有深度的异质性。我们研究数据湖中的一个消歧问题：我们如何确定一个在数据湖中出现多次的数据值是否具有不同含义，从而是一个同形异义值（homograph）？尽管词语与实体消歧在计算语言学、数据管理与数据科学中已被充分研究，我们表明数据湖为数据值的消歧提供了新机会，因为它们代表了一个大规模互联值的网络。我们探究该网络在多大程度上可用于对值进行消歧。DomainNet 在一个二部图（其节点表示值与属性）上使用网络中心性度量，在无监督情况下确定一个值是否为同形异义值。一项详尽的实验评估表明，领域发现（domain discovery）中的最先进技术无法被改造以与我们的方法竞争。具体而言，在合成基准上，使用领域发现方法识别同形异义值的精确率与召回率为 38%，而我们的方法为 69%。通过将网络中心性度量应用于我们的图表示，DomainNet 在同形异义值与具有唯一含义的数据值之间实现了良好的分离。在真实数据湖上，我们的前 200 精确率为 89%。
引用
@article{arxiv.2103.09940,
title = {DomainNet: Homograph Detection for Data Lake Disambiguation},
author = {Aristotelis Leventidis and Laura Di Rocco and Wolfgang Gatterbauer and Renée J. Miller and Mirek Riedewald},
journal= {arXiv preprint arXiv:2103.09940},
year = {2021}
}
备注
Full version of paper appearing in EDBT 2021