[Megagon Labs] Annotating Columns with Pre-trained Language Models

Annotating Columns with Pre-trained Language Models

任务定义

输入：一张数据表，但没有表头，只有表中的数据。
输出：每一列数据的数据类型，以及两列数据之间的关系。

数据类型和数据关系都是由训练数据决定的固定集合，可以视作多分类任务。

模型架构

整个模型的back bone依然是transformer，利用attention机制获取整表的语境信息。具体来说，DODUO将整个表格序列化，化二维为一维，每个column首尾相接连接成一个序列，而每个column用一个特殊token[CLS]隔开，整个序列以[SEP]结尾。

与BERT的做法类似，[CLS]这个特殊token被用来表示整个column的信息，同时这个column由于attention机制，除了自己所在的column信息也会聚合到其他column的context，这就是DODUO的核心思想。

同时，DODUO是一个多任务模型，两个分类任务：数据类别和数据关系。所以在共享transformer层作为编码器后，使用两个不同的Dense Layer来对应两个任务。数据类别任务直接取[CLS]作为输入，输出分类结果；而数据关系任务将两个[CLS]连接在一起作为输入，输出分类结果。这两个任务会在每个epoch中依次进行训练。

由于DODUO需要将序列化后的表中的token编码为embedding作为第一层transformer层的输入，所以对embedding模型同样做了微调，在反向传播过程中更新了12层BERT-base的参数。

*论文中好像没有提到中间的transformer layer到底有几层

整个结构的灵活性较强，核心的transformer back bone令知识在多任务之间共享，增加了泛化能力。而embedding模型和对应不同任务的dense layer都是可以灵活替换的。包括文章中也提到，使用更大更强的LM作为embedding模型可能会进一步提升效果。针对特殊数据（如数字、日期），采用对应的LM作为embedding模型也会提升性能。

实验结果

在不包含表头信息（即图中的metadata）的情况下，DODUO的性能超过了其他baseline，为SOTA。而TURL本身设计是需要表头的，此时TURL和DODUO的表现相近，甚至在数据关系任务上TURL优于DODUO。因此DODUO的优势还是在于表头信息缺失的情况，利用整表context，能得到信息更充分的编码。

消融实验的结果也说明了这个问题，DOSOLO是DODUO在单个任务上的版本，而DOSOLOscol则是只考虑单个任务单个column的版本，明显看到DOSOLO的性能知识略有下降，但DOSOLOscol的性能则是暴降。

另一方面，由于使用了pre-trained model和多任务训练，DODUO可以仅用少量数据训练达到较好的性能，图4和表8分别展示了在缩减训练集数量以及每个column token数量的情况下的性能变化。