Un nuevo framework deduce el tipo de las columnas a partir de sus encabezados: 39 tipos y 120 mil columnas

Un grupo de investigadores ha publicado en arXiv un trabajo sobre un framework que determina el tipo semántico de una columna de tabla únicamente a partir de su encabezado y, de paso, evalúa la calidad de la fuente de datos. El sistema asocia los encabezados con 39 tipos interpretables de FinalFormat y se probó con aproximadamente 120 000 columnas de siete conjuntos de datos: UCI, Prague, Kaggle, VizNet/Sato, SOTAB, T2Dv2 y el track Metadata-to-KG del concurso SemTab 2024. El resultado principal es ambiguo. En la evaluación estricta oficial de SemTab las cifras son modestas, pero los autores sostienen que el problema no está solo en el modelo.

El reto: entender una tabla sin mirar las celdas

Antes de cargar datos tabulares en un grafo de conocimiento hay que etiquetarlos: qué columna contiene fechas, cuál nombres de organizaciones y cuál identificadores. Esta tarea se llama Column Type Annotation (CTA) y forma parte del campo más amplio de la Semantic Table Interpretation. Normalmente, el etiquetado se apoya en el contenido de las celdas. Pero los valores pueden estar cerrados por motivos legales, contener ruido o ser simplemente inservibles para el análisis. En ese caso, el encabezado es casi la única fuente de significado que queda.

Los autores parten de la idea de que la calidad de un grafo de conocimiento no se determina solo comprobando el grafo ya construido. También depende de los metadatos que entran en la integración. Por eso su framework resuelve dos tareas a la vez: etiqueta tipos y busca problemas de calidad.

Cómo funciona el framework

Los encabezados se asocian con los 39 tipos FinalFormat mediante recursos léxicos curados, es decir, reglas y diccionarios, y no un modelo opaco. Cada decisión se puede rastrear: el campo SourceKeywords guarda qué tokens concretos del encabezado llevaron a elegir un tipo. Para tareas de auditoría y sectores regulados, esta transparencia importa tanto como la precisión.

Después entra en juego una segunda etapa. Cada tipo asignado activa un conjunto de comprobaciones de la taxonomía Data Quality Issues (DQI). El sistema busca:

• valores ausentes;
• duplicados;
• violaciones de dominio (domain violations);
• tipo de dato incorrecto;
• inconsistencias temporales.

Los resultados se agregan en la métrica HeadersIQ. Es un indicador ligero y sin ponderar de la calidad a nivel de toda la fuente de datos, no de una columna concreta. En paralelo funciona una vía de correspondencia con grafos de conocimiento, que alinea el resultado con DBpedia y Schema.org.

Las cifras y un benchmark discutible

Los autores afirman que el framework ofrece una amplia cobertura práctica sobre metadatos reales y con ruido. En el track Metadata-to-KG de SemTab 2024, la evaluación oficial según el principio GT-strict, es decir, de coincidencia estricta con la referencia, resultó modesta. Los autores no lo ocultan.

Para entender las causas, realizaron una auditoría diagnóstica ciega de las discrepancias. Según sus conclusiones, muchas de las no coincidencias se explican por la granularidad del etiquetado del benchmark, por los alias y por la elección de la ontología. Además, las predicciones no parecen del todo inverosímiles para un enfoque que se apoya solo en los encabezados. Por ejemplo, «ciudad» frente a «localidad» se cuenta formalmente como error, aunque en cuanto al significado la diferencia es mínima.

Hay una salvedad importante. Los autores escriben explícitamente que la auditoría es una evidencia diagnóstica sobre los patrones de discrepancia, y no un resultado revisado del benchmark. No intentan recalcular la puntuación a su favor. Aun así, la auditoría la han realizado los autores del propio sistema y no cuenta con confirmación independiente.

Dónde puede aplicarse

El enfoque parece práctico en escenarios donde los valores de las celdas no están disponibles: catálogos de datos abiertos, registros corporativos y revisión previa de los datos que entregan los socios. Un cribado barato y explicable a partir de los encabezados permite descartar con rapidez las fuentes con problemas evidentes antes de gastar recursos en un pipeline de integración pesado.

Un equipo que construya un grafo de conocimiento o un data mart debería fijarse en dos cosas. Primero, la trazabilidad a través de SourceKeywords facilita la revisión manual y la depuración de las reglas. Segundo, las observaciones sobre los errores de granularidad y de elección de ontología son útiles al leer cualquier resultado de SemTab: una puntuación strict baja no siempre implica predicciones inútiles. Con todo, conviene evaluar el sistema con datos propios, porque los encabezados de las tablas reales suelen ser poco informativos y, en ese caso, el método, por definición, tocará techo.