STED驱动的半结构化数据语义-结构相似性学习与自动监督

《Electronics》：STED-Driven Semantic-Structural Similarity Learning for Semi-Structured Data with Automatic Supervision

　　

半结构化文档同时包含层次化结构和字段级语义。这使得仅关注结构或仅关注全局语义表示的方法难以进行相似性度量。为解决这一问题，研究人员提出了一种用于半结构化文档模式级语义-结构相似性度量的框架。首先引入了语义树编辑距离（Semantic Tree Edit Distance, STED），它将语义节点匹配与层次化树对齐相结合。随后，研究人员通过对真实JSON文档进行受控扰动来生成训练对，并使用其STED分数作为自动监督。基于该监督，STED–GNN学习STED的高效近似，用于重复相似性计算。在MixedJSONBench-Doc上的实验表明，STED–GNN在聚类任务中取得了0.9799的平均调整兰德指数（adjusted Rand index, ARI），在主要的归纳分类评估中取得了0.9967的准确率，在低相似性评估中取得了0.7289的平均Recall@76。在文档表示被缓存后，STED–GNN相对于STED将重复成对评分时间减少约183.47倍。这些结果表明，联合建模语义和结构信息对于半结构化文档相似性度量是有效的，而学习到的近似方法显著降低了重复成对比较的成本。

半结构化数据（如JSON文档）在现代数据管理系统中应用广泛，其灵活性体现在既可保留层次化组织，又包含字段级语义。然而，这种双重特性使相似性度量变得困难：纯结构化的树编辑距离难以识别名称不同但语义等价的字段，而全局文本嵌入则容易忽略字段所处的层次路径。为弥补这一空缺，研究人员提出了一种面向模式级语义-结构相似性的框架。该框架首先定义语义树编辑距离（Semantic Tree Edit Distance, STED），将语义节点匹配融入层次树对齐；其次通过受控扰动真实JSON文档自动生成带监督的训练对；最后训练STED–GNN作为STED的高效近似。在标准数据集上的实验表明，该框架在聚类、分类和低相似性检测中均取得优异结果，同时显著降低了重复成对比较的计算成本。

关键技术方法如下：第一，STED将JSON文档转换为语义树，节点用“键+路径”文本描述，由冻结的bert-base-multilingual-cased编码为768维向量，用余弦相似度定义替换代价；对象子节点用匈牙利算法对齐，数组子节点用动态规划对齐，并将编辑代价归一化为相似度。第二，自动监督数据生成通过对真实JSON文档施加节点删除、插入、键重命名、值修改和子树移动等1–8次随机扰动，过滤后产生15,090个文档对（训练10,563、验证2263、测试2264），以STED分数为监督。第三，STED–GNN采用共享双层图卷积网络（Graph Convolutional Network, GCN）和全局均值池化获得512维文档嵌入，经交换不变表示和MLP预测相似度。样本来源：评估集MixedJSONBench-Doc含6个领域（化学、电商、金融、游戏、材料、电影）各20篇共120篇真实JSON文档；训练源为4230篇真实JSON文档，按源文档级划分。

研究结果如下：

5.1 主要结果（Main Results）。在MixedJSONBench-Doc上的聚类与分类实验中，STED和STED–GNN的调整兰德指数（adjusted Rand index, ARI）、归一化互信息（normalized mutual information, NMI）和纯度数值相近。STED–GNN在聚类中得到0.9799的平均ARI，在相似度矩阵分类中准确率和宏F₁（Macro-F₁）均约为0.9967，在归纳特征空间评估中同样接近该水平。在低相似性检测中，STED–GNN的平均Recall@76为0.7289，与STED（0.7368）接近；基于文档级嵌入的BERT和Llama-3.2-3B在微调后性能有所提升，但仍低于STED–GNN。

5.2 STED近似保真度（STED Approximation Fidelity）。在源不相交的2264个文档对测试集上，STED–GNN输出的平均绝对误差（mean absolute error, MAE）为0.0076，均方根误差（root mean squared error, RMSE）为0.0135，R²为0.9975，Pearson相关系数为0.9988，Spearman相关系数为0.9954，且对称误差为零。该结果表明STED–GNN对STED监督目标具有很高的近似保真度。

5.3 计算效率与可扩展性（Computational Efficiency and Scalability）。针对120篇文档的全部7140个文档对，在文档表示缓存后，STED–GNN的重复成对评分时间比STED减少约183.47倍。端到端总时间也以STED–GNN更短。文档规模增加主要影响一次性的STED树对齐和STED–GNN图构建，而文档数量增加则使成对比较次数按平方增长。这表明STED–GNN更适合多次或大规模成对比较场景。

5.4 节点表示的影响（Effect of Node Representation）。通过比较Key、Path和原始值（Value）的七种组合，研究发现“Key+Path”组合取得最低的平均MAE（0.007584），仅用Path或Key略高，而包含原始值的表示会使近似误差升高。这验证了STED当前将节点描述限定为Key和Path的模式级设计。

讨论部分指出，结构对齐和节点语义提供互补信息，STED通过引入语义节点匹配，比纯结构方法具有更强的低相似性区分能力。STED作为显式定义，STED–GNN作为高效近似，二者角色互补。同时，当前框架存在若干局限：STED主要建模模式级信息，不包含原始标量值；自动监督基于受控扰动，与自然模式演变存在差距；STED–GNN的内存消耗高于STED和JEDI。未来工作将引入值感知与数值语义、自然模式变化、其他半结构化格式以及轻量级图编码器。

研究结论部分：本文提出了一个用于半结构化文档模式级语义-结构相似性度量的框架。STED将层次树对齐与语义节点匹配相结合，提供基于编辑操作的相似性度量；STED–GNN利用自动生成的监督学习高效近似。真实JSON文档上的实验表明，STED和STED–GNN在聚类、分类和低相似性检测中均表现出竞争力。近似分析显示，STED–GNN在源不相交测试数据上紧密复现STED分数，同时在文档表示缓存后大幅缩短重复成对评分时间。当前框架的局限性包括未显式捕获原始值语义、继承STED定义假设、合成扰动不能完全代表自然演化以及内存消耗较高，未来工作将围绕这些方向展开。