論文の概要: Structure-Guided Entity Resolution: Fine-Tuning LLMs for Robust Name Matching in Complex Linguistic Contexts
- arxiv url: http://arxiv.org/abs/2605.23597v1
- Date: Fri, 22 May 2026 13:06:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 17:29:20.358006
- Title: Structure-Guided Entity Resolution: Fine-Tuning LLMs for Robust Name Matching in Complex Linguistic Contexts
- Title（参考訳）: 構造ガイド型エンティティ分解:複雑な言語文脈におけるロバスト名前マッチングのための微調整LDM
- Authors: Shivam Chourasia, Hitesh Kapoor, Nilesh Patil,
- Abstract要約: 本稿では,2段階のカリキュラムを通じて大規模言語モデルを微調整する新しいフレームワークであるStructure-Guided Entity Resolution (SGER)を紹介する。
我々はSGERを、言語的に最も多様で騒々しい環境の一つであるインドアイデンティティデータの挑戦的な文脈で評価する。
SGER は 99.02% の精度と 0.994 の F1 を5万組の現実世界のペアで達成し、GPT-4o 数発のプロンプトと単一ステージの微調整ベースラインを上回った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- 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 scripts, and frequent data entry errors make it difficult to unify user identities, an essential requirement for Know Your Customer (KYC) compliance. While Large Language Models have shown promise in understanding natural language, they often struggle with the structured ambiguity present in such domain-specific settings. This paper introduces Structure-Guided Entity Resolution (SGER), a novel framework that fine-tunes an LLM through a two-phase curriculum. The model is first trained to parse the grammatical and semantic structure of personal names, then optimized for the downstream task of binary entity matching. We evaluate SGER in the challenging context of Indian identity data, one of the most linguistically diverse and noisy environments globally. SGER achieves 99.02% accuracy and an F1 of 0.994 on a held-out set of 50,000 real-world pairs, outperforming GPT-4o few-shot prompting and single-stage fine-tuning baselines. The system is fully deployed in production at Dream11, the world's largest fantasy sports platform, serving 250M+ users. Our results demonstrate that curriculum-guided training enables robust, high-precision entity resolution in real-world multilingual systems at scale.
- Abstract（参考訳）: 不均一なレコード間で人名をマッチングすることは、特に言語的および文化的に複雑な環境において、エンティティ解決における中核的な課題である。
命名規則のバリエーション、スクリプト間の一貫性の欠如、頻繁なデータ入力エラーにより、ユーザIDの統一が困難になる。
大規模言語モデルは自然言語を理解することを約束しているが、そのようなドメイン固有の設定に存在する構造的曖昧さに悩まされることが多い。
本稿では,LLMを2段階のカリキュラムで微調整する新しいフレームワークであるStructure-Guided Entity Resolution (SGER)を紹介する。
このモデルはまず、個人名の文法的構造と意味的構造を解析するために訓練され、次にバイナリエンティティマッチングの下流タスクに最適化される。
我々はSGERを、言語的に最も多様で騒々しい環境の一つであるインドアイデンティティデータの挑戦的な文脈で評価する。
SGER は 99.02% の精度と 0.994 の F1 を5万組の現実世界のペアで達成し、GPT-4o 数発のプロンプトと単一ステージの微調整ベースラインを上回った。
このシステムは世界最大のファンタジースポーツプラットフォームであるDream11で2億5000万人以上のユーザーにサービスを提供している。
本研究は,カリキュラム誘導学習が実世界の多言語システムにおいて,堅牢で高精度な実体分解を可能にすることを示す。
関連論文リスト
- FiNERweb: Datasets and Artifacts for Scalable Multilingual Named Entity Recognition [12.125413756152833]
教師/学生のパラダイムを91言語と25のスクリプトに拡張するデータセット生成パイプラインであるFiNERwebを紹介した。
FineWeb-Edu 上に構築した手法では,回帰モデルを用いて NER 関連パスを識別し,多言語 LLM でアノテートする。
実験の結果, 回帰モデルは84F1以上を達成でき, また, FiNERwebでトレーニングしたモデルでは, ゼロショット転送設定で同等あるいは改善された性能が得られることがわかった。
論文 参考訳（メタデータ） (2025-12-15T20:36:39Z) - Fine-Tuned Language Models for Domain-Specific Summarization and Tagging [3.543800643014229]
本稿では,ドメイン固有テキスト要約とタグ付けを効率的に行うために,細調整された大言語モデル(LLM)と名前付きエンティティ認識(NER)を統合するパイプラインを提案する。
著者らは、自動化された情報抽出と法執行機関の監視を複雑にする、急速に進化するサブカルチャー言語とスラングによって引き起こされる課題に対処する。
論文 参考訳（メタデータ） (2025-10-29T12:33:48Z) - Generative Sign-description Prompts with Multi-positive Contrastive Learning for Sign Language Recognition [9.044039469025009]
本稿では,GSP-MC法を提案する。
GSP-MC法はまた、二重エンコーダアーキテクチャを用いて、階層的なスケルトン特徴と複数のテキスト記述を双方向にアライメントする。
実験では、中国のSLR500(97.1%)とトルコのAUTSLデータセット(97.07%の精度)の既存の手法に対する最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-05-05T00:57:57Z) - Can Large Language Models Understand Real-World Complex Instructions? [54.86632921036983]
大型言語モデル(LLM)は人間の指示を理解することができるが、複雑な命令には耐えられない。
既存のベンチマークでは、LLMが複雑な命令を理解する能力を評価するには不十分である。
複雑な命令を体系的に追従するLSMの能力を評価するためのベンチマークであるCellOを提案する。
論文 参考訳（メタデータ） (2023-09-17T04:18:39Z) - CompoundPiece: Evaluating and Improving Decompounding Performance of
Language Models [77.45934004406283]
複合語を構成語に分割する作業である「分解」を体系的に研究する。
We introduced a dataset of 255k compound and non-compound words across 56 various languages obtained from Wiktionary。
分割のための専用モデルを訓練するための新しい手法を導入する。
論文 参考訳（メタデータ） (2023-05-23T16:32:27Z) - CLSE: Corpus of Linguistically Significant Entities [58.29901964387952]
専門家が注釈を付けた言語学的に重要なエンティティ(CLSE)のコーパスをリリースする。
CLSEは74種類のセマンティックタイプをカバーし、航空券売機からビデオゲームまで様々なアプリケーションをサポートする。
言語的に代表されるNLG評価ベンチマークを,フランス語,マラティー語,ロシア語の3言語で作成する。
論文 参考訳（メタデータ） (2022-11-04T12:56:12Z) - Domain Adaptation in Multilingual and Multi-Domain Monolingual Settings
for Complex Word Identification [0.27998963147546146]
複雑な単語識別(CWI)は、適切なテキストの単純化に向けた基礎的なプロセスである。
CWIはコンテキストに大きく依存するが、その困難さは利用可能なデータセットの不足によって増大する。
対象文字とコンテキスト表現を改善するために,ドメイン適応に基づくCWIタスクのための新しいトレーニング手法を提案する。
論文 参考訳（メタデータ） (2022-05-15T13:21:02Z) - Structured Prediction as Translation between Augmented Natural Languages [109.50236248762877]
本研究では,構造化予測言語の課題を解決するために,新しいフレームワークであるTANL(Translation between Augmented Natural Languages)を提案する。
タスク固有の差別を訓練することで問題に取り組む代わりに、拡張自然言語間の翻訳タスクとして位置づける。
提案手法は, タスク固有のモデルに適合するか, 性能に優れ, 特に, 共同エンティティと関係抽出に関する新たな最先端結果が得られる。
論文 参考訳（メタデータ） (2021-01-14T18:32:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。