【輪講資料】Optimal Hashing Schemes for Entity Matching【WWW2013】

2013-05-29に職場の輪講で発表した資料をアップロード．
WWW2013で発表された，Webページなどから抽出した大量の固有表現（人名・組織名などなど）に対して一致判定を行う際に，その一致判定ルールを最適化する方法について理論的にアプローチしている論文です．

簡単な感想付きの記事を以下に公開しています．
http://www.dreamedge.net/archives/609

Transcript

1. 2013-05-29 1 Optimal Hashing Schemes for Entity Matching N. Dalvi†, V. Rastogi‡, A. Dasgupta§, A. D. Sarma‡, T. Sarlos‡ †Facebook, ‡Google, §Yahoo 2013-05-29 輪講資料
2. 2013-05-29 2 概要  Web上から収集した固有情報（店舗とか）を集約する 技術の論文  Yahoo! LOCALが対象  固有情報集約の仕組みを一般化・定式化して  最適化問題として集約関数を自動調整する手法  基本的に定式化の証明が中心になっています  証明部分はあまり面白くないのですっ飛ばして説明します
3. 2013-05-29 3 背景  地図サービスとかクーポン情報検索とかをする場合， 多様なサイトから抽出した店舗情報を集約する
4. 2013-05-29 4 背景  地図サービスとかクーポン情報検索とかをするばあい 多様なサイトから抽出した店舗情報を集約する  でも、元の情報は多様な書き方をされている ⇒自動で集約する仕組みが必要
5. 2013-05-29 5 背景  人手もしくは自動（機械学習）で集約ルール作るけど 複雑かつ冗長すぎる！ ⇒重複確認は各ペアに対して行うので計算量が爆発 こんなのが出来るらしい……
6. 2013-05-29 6 対象とするタスク  人手/自動で整備した複雑なルールを最適化する！  ルールの品質を数値化し，最適化問題として解く 最適化 入 力 ： 出 力 ：
7. 2013-05-29 7 最適なルールの定義 1. 固有物の集合を適切に分割できる ⇒『（店名）が一致』 だと aとcが区別できない ⇒『（店名∧住所) が一致』 ならOK 2. 分割が重複するルールがない ⇒ 『（店名∧住所）∨（TEL）が一致』よりも 『（TEL）が一致』の方がよい 店名 住所 TEL a. 甘太郎 東京都 03XXXX... b. 庄屋 東京都 03YYYY... c. 甘太郎 神奈川県 045ZZZ... d. 甘太郎 神奈川県 045ZZZ... 重複データ および および または
8. 2013-05-29 8 アプローチ  集約ルール（ｈ）および集約ルール集合（Hもしくはφ）の コスト関数を定義し、cost(H)の最小化問題とする  単独で細かく集約できるルールがよいルール  Bはルールhによって分割された要素集合  完全一致による分割で，一致するものが多いとコスト大 （店名）:32+12=10 （住所）:22+22=8 (TEL）:12+12+22=６ 店名 住所 TEL a. 甘太郎 東京都 03XXXX... b. 庄屋 東京都 03YYYY... c. 甘太郎 神奈川県 045ZZZ... d. 甘太郎 神奈川県 045ZZZ... TELがコスト最小
9. 2013-05-29 9 最適化手法  入力ルール集合を組み替えて最適化する  手法は4種類 Hbase : 最適化しない（=入力をそのまま使う） Hdp : 動的計画法による最適化 Hgreedy : Chvatal et. al.の手法による最適化 Hmerge : ボトムアップ集約による最適化 »コストの算出は基本力づく（全データなめる） 提案手法であるHdp とHmerge について説明 »Hmerge はHgreedy の改良版
10. 2013-05-29 10 Hdp : 動的計画法による最適化  下記のDP（φ）を再帰的に呼び出す  総当りで少しずつルールを削ってコスト低減を見る 除去対象とするルール sを除いた後のφ
11. 2013-05-29 11 Hmerge : ボトムアップ最適化  総コストが減少するようにルールを統合していく ２つのルールを集約 cost(h)＜cost(h∩h’)なので cost(h)=cost(h∩h’)で最大
12. 2013-05-29 12 でも実際は類似度で判定するよね  ここまでは全部『完全一致』で一致判定する話でした  実際は 「手作り居酒屋 甘太郎 田町店」と 「個室 居酒屋 甘太郎 田町店 【焼肉 食べ放題 飲み放題 誕生日 カラオケ】」 を名寄せしないといけない(´・ω・`)
13. 2013-05-29 13 類似度を使う場合でのコスト算出  サンプリングアルゴリズム（ Bar-Yossef et. al.）を 元に類似度での分割状況を予測する 上手くばらついていないと もう一度 ランダムにEntityを選んで 分割数を予測する
14. 2013-05-29 14 評価  データセット  Yahoo!LOCALの企業データ100.9M Entity  各Entityは12属性を持つ » name, contact, estimated-budget, etc...  最適化対象データセット  ランダムに作成した集約ルール集合（完全一致）  ランダムに作成した集約ルール集合（類似度） » 集約ルール数k、各集約ルールの属性数s  Yahoo!LOCALで使っている集約ルール集合 » random forestで学習したものを変換 » 判定精度は良いが冗長なルール
15. 2013-05-29 15 参考：Yahoo!LOCALの集約ルール集合  元はランダムフォレストで学習したモデル  分かりやすいように人手で整形したのが上の例  各属性ごとに類似度を計算して一致判定  太字は確信度の高くないと一致としない属性  類似度は4gramでハミング距離を算出
16. 2013-05-29 16 ランダムデータにおけるコスト低減度合い  大体どれを使っても同等のコスト低減効果  集約ルール数が30以上ではコストが増加しない  ランダムに増加する冗長な集約ルールを削除できている
17. 2013-05-29 17 最適化手法ごとの差分  Hdp （ExactCover）がコスト高い分若干性能良い  実用的にはHmerge （MergeCover）が最善  処理コストも低く，コスト低減効果も高い
18. 2013-05-29 18 Yahoo!LOCALルール集合での評価  どの手法でも十分コストが低下  同様に実用的にはHmerge （GreedyMerge）が最善 » 名称が統一されていない理由は不明……
19. 2013-05-29 19 最適化前後の集約ルール比較  劇的に低下！  randam forestェ・・・ 最適化 入 力 ： 出 力 ：
20. 2013-05-29 20 まとめと所感  貢献は以下の3点 固有情報集約の仕組みを一般化・定式化 集約ルールを最適化する手法を提案 » Hmergeが処理量も少なく集約効果も高かった 運用されている複雑なルールが劇的に最適化 された実例を提示  省略したが，最適化の近似度合い等も定式化されて かなりきれいに理論が整理されている  その分読み解くのがかなり難しい  ところどころ解釈を間違っているかも orz...