데이터 융합을 위한 관계형 테이블 임베딩 기법

국문 초록 (Abstract)

본 논문은 데이터 융합의 대상이 되는 관계형 테이블에 대한 임베딩 기법을 제안한다. 특히 이는 텍스트 데이터를 가지는 다수의 관계형 테이블에 대한 임베딩과 융합을 지원한다. 제안기법은 관계형 테이블이 가진 의미적 정보를 정확하게 파악하고 다수의 데이터 테이블에 대한 융합 가능성 여부를 판단하는데 활용된다. 기존의 관계형 테이블 임베딩 모델들은 각 셀의 독립적인 의미적 정보에 치중하여 데이터셋이 가진 의미적 정보를 정확하게 파악하지 못하였다. 이러한 한계를 극복하기 위해 본 논문은 BERT의 멀티헤드 셀프어텐션 모듈과 Word2Vec 모델을 활용하여, 각 셀간 맥락을 유기적으로 파악함과 동시에 각 셀의 독립적인 의미적 정보도 동시에 학습한다. 이를 통해 얻어진 테이블 임베딩 결과는 데이터 융합 대상이 되는 후보데이터셋을 가려내는데 활용된다. 결과적으로 임베딩 결과는 사용자가 주어진 융합 후보데이터셋으로부터 기존에 없던 유의미한 새로운 정보를 생성할 수 있는 융합 데이터셋 쌍을 선정하여 융합을 수행하는데 기여하게 된다. 또한 본 논문은 데이터 융합의 실제 사례를 시각화 자료와 함께 소개하고, 긍정적 사례와 부정적 사례를 비교한다.

다국어 초록 (Multilingual Abstract)

This paper proposes an embedding technique for relational tables that are the target of data fusion; in particular, our proposed technique contributes to perform embedding relational tables with text data. The proposed technique is used to accurately grasp the semantic information of relational tables and to determine the possibility of fusing multiple data tables. Conventional relational table embedding models mainly focused upon the independent semantic information of each cell within each table, and thus they could not accurately grasp the semantic information of given datasets. To overcome this limitation, this paper uses BERTs multi-head self-attention module and Word2Vec model to organically grasp the context between each cell and simultaneously learn independent semantic information of each cell. As a result, the embedding results contribute to performing fusion by selecting a fusion dataset pair that can generate meaningful new information that was not previously available from an initial fusion candidate dataset. Besides, this paper introduces a number of real cases of data fusion with visual aids and discusses good and bad cases.

목차 (Table of Contents)

• 초록
• ABSTRACT
• 1. 서론
• 2. 이론적 배경 및 관련 연구
• 3. 제안 기법
• 4. 실험
• 5. 결론
• References