إطار عمل جديد يحدد أنواع الأعمدة من عناوينها: 39 نوعًا و120 ألف عمود

نشرت مجموعة من الباحثين على arXiv ورقة عن إطار عمل يحدد النوع الدلالي لعمود الجدول من عنوانه فقط، ويقيّم في الوقت نفسه جودة مصدر البيانات. يطابق النظام العناوين مع 39 نوعًا قابلًا للتفسير من FinalFormat، وقد اختُبر على نحو 120 000 عمود من سبع مجموعات بيانات: UCI وPrague وKaggle وVizNet/Sato وSOTAB وT2Dv2 ومسار Metadata-to-KG ضمن مسابقة SemTab 2024. النتيجة الرئيسية غير محسومة. فالأرقام متواضعة في التقييم الصارم الرسمي لـ SemTab، لكن المؤلفين يؤكدون أن السبب لا يقتصر على النموذج.

المهمة: فهم الجدول دون النظر إلى الخلايا

قبل تحميل البيانات الجدولية في رسم المعرفة البياني (knowledge graph)، يجب وسمها: أي عمود يحتوي على تواريخ، وأي عمود يضم أسماء مؤسسات، وأي عمود يضم معرّفات. تُسمى هذه المهمة Column Type Annotation (CTA)، وهي جزء من مجال أوسع هو Semantic Table Interpretation. عادةً يعتمد الوسم على محتوى الخلايا. لكن القيم قد تكون مغلقة لأسباب قانونية، أو مشوشة، أو غير صالحة للتحليل ببساطة. عندها يكاد يكون العنوان المصدر الوحيد للمعنى.

ينطلق المؤلفون من أن جودة الرسم البياني للمعرفة لا تتحدد بفحص الرسم بعد بنائه فقط. فهي تتوقف أيضًا على البيانات الوصفية التي تدخل في عملية التكامل. لذلك يعالج إطار العمل لديهم مهمتين في آن واحد: وسم الأنواع، والبحث عن مشكلات الجودة.

كيف يعمل إطار العمل

تُطابَق العناوين مع 39 نوعًا من FinalFormat بالاعتماد على موارد معجمية منتقاة بعناية، أي قواعد وقواميس، لا على نموذج مبهم. ويمكن تتبّع كل قرار: إذ يحفظ الحقل SourceKeywords الرموز (tokens) المحددة في العنوان التي أدت إلى اختيار النوع. وفي مهام التدقيق والقطاعات الخاضعة للتنظيم، لا تقل هذه الشفافية أهمية عن الدقة.

ثم تأتي المرحلة الثانية. يفعّل كل نوع يُسنَد مجموعة من الفحوص من تصنيف Data Quality Issues (DQI). ويبحث النظام عن:

• القيم المفقودة؛
• التكرارات؛
• انتهاكات المجال (domain violations)؛
• نوع البيانات الخاطئ؛
• التناقضات الزمنية.

تُجمَّع النتائج في مقياس HeadersIQ. وهو مؤشر خفيف غير مرجَّح لجودة مصدر البيانات ككل، لا لعمود منفرد. وبالتوازي يعمل مسار المطابقة مع الرسوم البيانية للمعرفة، الذي يُواءم النتيجة مع DBpedia وSchema.org.

الأرقام ومعيار قياس مثير للجدل

يعلن المؤلفون تغطية عملية واسعة على بيانات وصفية حقيقية مشوشة. وفي مسار Metadata-to-KG ضمن SemTab 2024، جاء التقييم الرسمي وفق مبدأ GT-strict، أي التطابق الصارم مع المرجع، متواضعًا. ولا يخفي المؤلفون ذلك.

ولمعرفة الأسباب، أجروا تدقيقًا تشخيصيًا أعمى للفروقات. وبحسب استنتاجاته، يعود كثير من حالات عدم التطابق إلى درجة التفصيل (granularity) في الوسم داخل المعيار، وإلى الأسماء البديلة (aliases)، واختيار الأنطولوجيا. ولا تبدو التنبؤات في المقابل غير معقولة تمامًا لمنهج يعتمد على العناوين فقط. فمثلًا، يُعدّ «مدينة» مقابل «مستوطنة سكنية» خطأً من الناحية الشكلية، مع أن الفرق في المعنى ضئيل جدًا.

وثمة تحفظ مهم هنا. يكتب المؤلفون صراحةً أن التدقيق دليل تشخيصي على أنماط الفروقات، وليس نتيجة منقّحة للمعيار. ولا يحاولون إعادة احتساب النتيجة لصالحهم. ومع ذلك، أجرى التدقيق مؤلفو النظام نفسه، وليس له تأكيد مستقل.

أين يمكن تطبيق ذلك

يبدو النهج عمليًا في السيناريوهات التي تكون فيها قيم الخلايا غير متاحة: فهارس البيانات المفتوحة، والسجلات المؤسسية، والفحص المسبق للبيانات الواردة من الشركاء. ويتيح الفرز الرخيص والقابل للتفسير بحسب العناوين استبعاد المصادر ذات المشكلات الواضحة بسرعة، قبل إنفاق الموارد على خط تكامل ثقيل.

على الفريق الذي يبني رسمًا بيانيًا للمعرفة أو واجهة بيانات (data mart) أن ينتبه إلى أمرين. أولًا، يسهّل التتبع عبر SourceKeywords المراجعة اليدوية وتصحيح القواعد. ثانيًا، تفيد الملاحظات حول أخطاء درجة التفصيل واختيار الأنطولوجيا عند قراءة أي نتائج لـ SemTab: فانخفاض النتيجة الصارمة (strict) لا يعني دائمًا أن التنبؤات عديمة الفائدة. ومع ذلك يجدر تقييم النظام على بياناتك الخاصة، لأن العناوين في الجداول الحقيقية كثيرًا ما تكون غير مفيدة، وعندها يصطدم الأسلوب بسقف لا يتجاوزه بحكم طبيعته.