A supervised gradient-based learning algorithm for optimized entity resolution

وظیفه پیوند رکورد احتمالاتی این است که سوابق را پیدا کنید که پیوندی با یک موجودیت در چندین منبع داده متمایز دارد. پیوند دقیق سوابق (حل و فصل) یک وظیفه مهم برای صنعت مراقبت های بهداشتی، دولت، اجرای قانون و بخش خصوصی به دلایل روشن است. با این حال، پیدا کردن دقیق مسابقات یک نهاد می تواند به دلیل سوابق با نوع خطی، صوتی و یا انواع دیگر خطاها (سر و صدا) در منابع داده های واقعی در دنیای واقعی چالش برانگیز باشد. در طول سالها، بسیاری از توابع مقایسه برای ارتباط جفت سوابق و ایجاد نمره مشابهت ایجاد شده است. با یک جفت آستانه از پیش تعیین شده، ممکن است تصمیم بگیرد که آیا سوابق جفت ها مطابقت دارند، مطابقت نکنند، یا اگر آنها نیاز به بررسی روحانی بیشتری داشته باشند. با این وجود، پیدا کردن توابع مقایسه مناسب، توصیفگرهای هویت (زمینه)، مقادیر آستانه و طبقه بندی های کارآمد، یک کار چالش انگیز است. در این مطالعه، ما یک مدل یادگیری مبتنی بر گرادیان تحت نظارت ارائه می دهیم که می تواند ساختار و پارامترهای آن را بر اساس نمرات مطابق با توابع مقایسه ای (که در بسیاری از زمینه ها کاربرد دارد) را برای طبقه بندی صحیح سوابق، تنظیم کند. طراحی این ساختار شفاف است و به طور بالقوه می تواند به ما اجازه دهد که توابع مقایسه و فیلدها برای پیوند صحیح سوابق با یکدیگر بسیار مهم باشند. برای آموزش این ساختار، ما یک شاخص عملکرد جدید ارائه می دهیم که می تواند به یادگیری نحوه جدا شدن مجدد سوابق غیرمجاز کمک کند. نتایج با استفاده از مجموعه داده های مصنوعی تحت تاثیر سطوح مختلف سر و صدا و داده های دنیای واقعی نشان می دهد که اثر الگوریتم، که می تواند به طور قابل توجهی کاهش تعداد مثبت کاذب، منفی کاذب، و تعداد پرونده های انتخاب شده برای بررسی را نشان می دهد.