Avaliando Fatores de Influência sobre Algoritmos de Aprendizado de Máquina na Etapa de Classificação da Resolução de Entidades

• Milena Macedo Santos Universidade Federal do Agreste de Pernambuco
• Dimas Cassimiro Nascimento Universidade Federal do Agreste de Pernambuco / Universidade Federal de Campina Grande

DOI: https://doi.org/10.5753/sbbd.2023.232401

Resumo

A resolução de entidades é um processo que busca identificar pares de registros em bases de dados que correspondem à mesma entidade no mundo real. Neste trabalho, são avaliados diversos algoritmos de classificação baseados em Aprendizagem de Máquina (AM) no contexto de resolução de entidades. Os seguintes algoritmos foram explorados: Adaboost, MLP, SVM, Random Forest e XGboost. No processo de avaliação dos algoritmos de AM, são analisados o impacto do balanceamento e desbalanceamento das classes no conjunto de treinamento sobre a eficácia dos algoritmos. Com base nos resultados experimentais obtidos, o algoritmo Random Forest obteve resultado mais promissor, além do modelo XGboost ter apresentado resultados também competitivos.

Palavras-chave: Resolução de Entidades, Aprendizagem de Máquina, Random Forest, XGboost

Referências

Christen, P. (2012). Data Matching: Concepts and Techniques for Record Linkage, Entity Resolution, and Duplicate Detection. Springer.

Comber, S. and Arribas-Bel, D. (2019). Machine learning innovations in address matching: A practical comparison of word2vec and crfs. Transactions in GIS, 23(2):334–348.

Dal Bianco, G., Gonçalves, M. A., and Duarte, D. (2018). Bloss: Effective meta-blocking with almost no effort. Information Systems, 75:75–89.

de Souza Silva, L., Nascimento Filho, D. C., and Moro, M. M. (2017). Uma avaliação de eficiência e eficácia da combinaçao de técnicas para deduplicaçao de dados. In Anais do XXXII Simpósio Brasileiro de Bancos de Dados, pages 160–171. SBC.

Ilangovan, G. (2019). Benchmarking the effectiveness and efficiency of machine learning algorithms for record linkage. Master’s thesis, Texas AM University.

Kaur, P. et al. (2020). A comparison of machine learning classifiers for use on historical record linkage. Master’s thesis, University of Guelph.

Kim, K. and Giles, C. L. (2016). Financial entity record linkage with random forests. In Proceedings of the second international workshop on data science for macro-modeling, pages 1–2.

Köpcke, H., Thor, A., and Rahm, E. (2010). Evaluation of entity resolution approaches on real-world match problems. Proceedings of the VLDB Endowment, 3(1-2):484–493.

Li, Y., Li, J., Suhara, Y., Doan, A., and Tan, W.-C. (2020). Deep entity matching with pre-trained language models. arXiv preprint arXiv:2004.00584.

Mudgal, S., Li, H., Rekatsinas, T., Doan, A., Park, Y., Krishnan, G., Deep, R., Arcaute, E., and Raghavendra, V. (2018). Deep learning for entity matching: A design space exploration. In Proceedings of the 2018 International Conference on Management of Data, pages 19–34.

Papadakis, G., Koutrika, G., Palpanas, T., and Nejdl, W. (2013). Meta-blocking: Taking entity resolutionto the next level. IEEE Transactions on Knowledge and Data Engineering, 26(8):1946–1960.

Peeters, R., Der, R. C., and Bizer, C. (2023). Wdc products: A multi-dimensional entity matching benchmark. arXiv preprint arXiv:2301.09521.

Pita, R., Mendonça, E., Reis, S., Barreto, M., and Denaxas, S. (2017). A machine learning trainable model to assess the accuracy of probabilistic record linkage. In Big Data Analytics and Knowledge Discovery: 19th International Conference, DaWaK 2017, Lyon, France, August 28–31, 2017, Proceedings 19, pages 214–227. Springer.

Ramezani Foukolayi, M. (2021). Comparison of machine learning algorithms in a human-computer hybrid record linkage system. Master’s thesis, Texas AM University.