arXiv cs.CL· Chuangtao Ma, Zeyu Zhang, Arijit Khan, Sebastian Schelter, Paul Groth·· 2 天前AI 评分22
CE-RAG4EM：面向 LLM 实体匹配的成本高效 RAG 分块批处理框架
Cost-Efficient RAG for Entity Matching with LLMs: A Blocking-based Batch Processing Framework
AI 导读
研究者提出 CE-RAG4EM 框架，通过基于分块的批量检索与生成，降低 LLM 实体匹配中 RAG 的端到端开销。在九个真实实体匹配基准数据集上，该框架在零样本设置下取得相当或更优的匹配质量，并在属性模糊或数值稀疏的数据集上显著提升 F1 分数。分析还揭示了分块批量大小与检索粒度上的性能-开销权衡。
正文 · AI 翻译
摘要：大语言模型（LLM）为标签稀缺场景下的实体匹配（EM）提供了一种极具吸引力的方法，但由于缺乏外部事实依据，其匹配质量对属性模糊或稀疏的记录较为敏感。检索增强生成（RAG）通过检索并注入相关外部知识，直接弥补了这一依据缺口。然而，将 RAG 朴素地应用于大规模实体匹配成本高昂，原因在于需要对大型知识图谱（KG）进行逐对检索调用，以及用检索到的上下文知识丰富提示词所导致的输入 token 增加。为解决上述局限，我们提出了 CE-RAG4EM（面向实体匹配的成本高效 RAG）框架，通过基于分块的批量检索与生成来降低开销。我们通过对面向实体匹配的 RAG 系统进行系统性分析，重点研究分块感知的批量优化与检索粒度，从而考察该框架的优势。在九个广泛使用的真实世界实体匹配基准数据集上进行的大量实验表明，CE-RAG4EM 在零样本设置下实现了相当或更优的匹配质量，同时大幅降低了端到端开销。结果表明，我们的 CE-RAG4EM 弥合了 LLM-EM 基线的知识依据缺口，在属性模糊或数值稀疏的数据集上显著提升了 F1 分数，同时其批量检索与推理大幅降低了开销，并相较于朴素 RAG4EM 保持了有竞争力的匹配质量。我们的分析明确了基于分块的批量大小与检索粒度之间清晰的性能-开销权衡，展示了匹配质量与计算成本如何随每一项设计选择而变化。这些发现为构建可扩展、高效且兼顾准确性与成本的实体匹配 RAG 系统提供了具体指导。
| 评论： | 论文扩展版，已被 ACM SIGMOD 2027 接收 |
| 主题： | 数据库（cs.DB）；计算与语言（cs.CL） |
| 引用格式： | arXiv:2602.05708 [cs.DB] |
| （或 arXiv:2602.05708v2 [cs.DB] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2602.05708 由 DataCite 颁发的 arXiv DOI |
|
| 相关 DOI： | https://doi.org/10.1145/3856323
链接到相关资源的 DOI |
提交历史
来自：Chuangtao Ma [查看邮箱]
[v1]
2026年2月5日星期四 14:33:00 UTC（536 KB）
[v2]
2026年10月15日星期四 13:36:53 UTC（626 KB）
来源：arXiv cs.CL · arxiv.org