跳到正文
arXiv cs.CL· Huixue Han, Shangzhi Xu, Anqi Xiong, Yu-Chu Tian·· 9 小时前AI 评分36

聚类越大门槛越低:LLM 增量实体解析中的画像累积效应

Growing Clusters Lower the Bar: Profile Accretion in LLM-Based Incremental Entity Resolution

AI 导读

研究发现,基于 LLM 的增量实体解析中,模型会随聚类增大而降低加入门槛。在 FOPPA 法国采购供应商数据上,将展示的已验证成员从 1 个增至 16 个,六个开源权重模型对相似名称公司的错误匹配率上升数个百分点,而 ROC 曲线下面积仅小幅提升;Claude Sonnet 5 和 Haiku 5.5 上同样出现上升。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:增量实体解析流水线会询问大语言模型(LLM)一条新记录是否属于已有聚类,并向其展示已关联的记录。对匹配预言机的分析假设答案仅取决于所比较的记录。对于我们测试的 LLM 匹配器,答案取决于聚类大小,且随着聚类增大,模型会降低加入该聚类的门槛。在来自 FOPPA 的法国采购供应商数据上,以 SIREN 标识符作为真实标签,我们固定新记录不变,仅改变所展示的已验证成员数量。在六个开放权重模型中,展示十六个成员而非一个,会使名称相似公司的错误匹配率上升 \dfmrMin--\dfmrMax{} 个百分点,而其 ROC 曲线下面积仅上升 \aucGainMin--\aucGainMax。在 Claude Sonnet~5 和 Haiku~5.5 中,上升幅度为 \clSonD{} 和 \clHaiD{} 个百分点。该偏移在街道地址、提示变体以及 BatchER 和 ComEM 格式下依然存在,并且在每个开放模型中,一次错误合并都会提高对入侵者其他记录的接受度。在捷克和保加利亚的 TED 公告上不会出现该现象,因为那里一条带有完整地址的记录已足以识别公司。在易混淆块上的在线链接中,在标注数据上设定的单一阈值使五个模型的召回率提升 \fxRRmin--\fxRRmax{} 倍,且未检测到精确率损失,也没有额外的 LLM 调用。
主题: 计算与语言(cs.CL);数据库(cs.DB)
引用为: arXiv:2611.22485 [cs.CL]
  (或 arXiv:2611.22485v1 [cs.CL] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.22485

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Huixue Han [查看电子邮件]
[v1] 2026年11月17日星期二 09:42:41 UTC(128 KB)

来源:arXiv cs.CL · arxiv.org