PulseAugur
中
实时 23:27:16
English(EN) Structure-Guided Entity Resolution: Fine-Tuning LLMs for Robust Name Matching in Complex Linguistic Contexts

大语言模型框架提升复杂数据中的名称匹配准确性

作者 PulseAugur 编辑部 · [2 个来源] ·

一种名为结构引导实体解析（SGER）的新框架已被开发出来，用于改进大语言模型（LLMs）匹配名称的方式，尤其是在复杂的语言情况下。SGER采用两阶段课程，首先教授大语言模型名称结构知识，然后对其进行实体匹配优化。该方法在印度身份数据上达到了99.02%的准确率和0.994的F1分数，优于GPT-4o提示等现有方法。SGER系统现已在拥有超过2.5亿用户的平台Dream11投入生产，证明了其在现实世界多语言应用中的可扩展性和有效性。 AI

影响 增强大语言模型在多语言、现实世界系统中的精确名称匹配能力，这对于KYC和用户身份统一至关重要。

排序理由 该集群描述了一个新的研究框架及其在科学论文中的评估，包括基准测试结果和生产部署。

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Shivam Chourasia, Hitesh Kapoor, Nilesh Patil ·

    结构引导实体消歧：微调大型语言模型以实现复杂语言环境中的鲁棒名称匹配

    arXiv:2605.23597v1 Announce Type: new Abstract: Matching person names across heterogeneous records is a core challenge in entity resolution, especially within linguistically and culturally complex environments. Variations in naming conventions, inconsistent transliteration across…

  2. arXiv cs.CL TIER_1 English(EN) · Nilesh Patil ·

    结构引导实体解析：微调大型语言模型以实现复杂语言环境中的鲁棒名称匹配

    Matching person names across heterogeneous records is a core challenge in entity resolution, especially within linguistically and culturally complex environments. Variations in naming conventions, inconsistent transliteration across scripts, and frequent data entry errors make it…

相关实体

相关话题