Alper：以標籤傳播重構髒亂實體解析

Alper：把比對與聚類變成一個動態的圖傳播問題

實體解析長久以來依賴阻斷、比對、聚類三段式流程，但這種串連式工作流會產生稀疏且靜態的實體圖，因阻斷失敗出現缺邊，因比對錯誤產生噪聲，導致錯誤擴散與次優聚類。

Alper 主張比對與分群互為補強，提出一套以機率標籤傳播為核心的統一框架：在一個全域且隨時間演進的實體圖上反覆更新節點標籤與邊權，透過圖傳播補足廉價但訊號弱的信息，再以大型語言模型的成對查詢補強高置信度判斷。

為了在有限查詢預算下達到成本效益，研究團隊將訊號選擇形式化為一個約束式優化問題，採用具理論保證的貪婪演算法近似最大化邊際增益。實驗結果顯示，Alper 在多個基準資料集上持續超越傳統階段式流水線，能更有效地減少錯配與恢復遺失連結，進而產出更準確的實體叢集。

延伸閱讀

• 大型語言模型文化對齊評估：多語言敘事道德生成實驗與結果
• 大型語言模型幽默對齊基準：以 Cards Against Humanity 測試結果分析
• OmniBehavior：首個以真實資料建構的跨情境長時序使用者行為模擬基準

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。