Explorando uma Nova Métrica para Calcular a Precisão Acurada de Resultados de Blocagem em Tarefas de Resolução de Entidades

• Dimas Cassimiro Nascimento Universidade Federal do Agreste de Pernambuco http://orcid.org/0000-0002-3195-6481
• Vítor Alan Bezerra Silva Universidade Federal do Agreste de Pernambuco

DOI: https://doi.org/10.5753/sbbd.2025.246994

Resumo

A resolução de entidades é uma tarefa fundamental na integração de dados, visando identificar registros que se referem à mesma entidade do mundo real. Técnicas de blocagem são amplamente empregadas para aumentar a eficiência, reduzindo o número de comparações entre registros. No entanto, métricas tradicionais, como Pair Quality (PQ), não consideram comparações redundantes, o que pode distorcer a avaliação da eficácia da blocagem. Este artigo apresenta a métrica PQ∗, projetada para fornecer uma medida mais precisa ao eliminar o impacto de comparações redundantes. Além disso, propomos os algoritmos PQ∗C e P̂Q∗E, projetados para calcular e estimar de forma eficiente a métrica PQ∗, respectivamente. Os experimentos realizados mostram que, para todos os conjuntos de dados avaliados, as métricas PQ e PQ∗ produzem resultados distintos em todos os cenários em que mais de uma chave de blocagem é utilizada. Além disso, a diferença entre os resultados das métricas PQ e PQ∗ aumenta à medida que mais chaves de blocagem são empregadas na indexação.

Palavras-chave: Resolução de Entidades, Blocagem, Indexação, Precisão de Blocagem

Referências

Araújo, T. B., Pires, C. E. S., Mestre, D. G., Nóbrega, T. P. d., Nascimento, D. C. d., and Stefanidis, K. (2019). A noise tolerant and schema-agnostic blocking technique for entity resolution. In Proceedings of the 34th ACM/SIGAPP Symposium on Applied Computing, pages 422–430.

Christen, P. and Christen, P. (2012). The data matching process. Springer.

Elmagarmid, A. K., Ipeirotis, P. G., and Verykios, V. S. (2007). Duplicate record detection: A survey. IEEE Transactions on Knowledge and Data Engineering, 19(1):1–16.

Gagliardelli, L., Papadakis, G., Simonini, G., Bergamaschi, S., Palpanas, T., et al. (2022). Generalized supervised meta-blocking. Proceedings of the VLDB Endowment, 15(9):1902–1910.

Getoor, L. and Machanavajjhala, A. (2012). Entity resolution: theory, practice & open challenges. Proceedings of the VLDB Endowment, 5(12):2018–2019.

Hand, D. and Christen, P. (2018). A note on using the f-measure for evaluating record linkage algorithms. Statistics and Computing, 28:539–547.

Hassanzadeh, O., Chiang, F., Lee, H. C., and Miller, R. J. (2009). Framework for evaluating clustering algorithms in duplicate detection. Proceedings of the VLDB Endowment, 2(1):1282–1293.

Li, B.-H., Liu, Y., Zhang, A.-M., Wang, W.-H., and Wan, S. (2020). A survey on blocking technology of entity resolution. Journal of Computer Science and Technology, 35:769–793.

Li, H., Li, S., Hao, F., Zhang, C. J., Song, Y., and Chen, L. (2024). Booster: leveraging large language models for enhancing entity resolution. In Companion Proceedings of the ACM Web Conference 2024, pages 1043–1046.

Mestre, D. G., Pires, C. E. S., and Nascimento, D. C. (2017a). Towards the efficient parallelization of multi-pass adaptive blocking for entity matching. Journal of Parallel and Distributed Computing, 101:27–40.

Mestre, D. G., Pires, C. E. S., Nascimento, D. C., de Queiroz, A. R. M., Santos, V. B., and Araujo, T. B. (2017b). An efficient spark-based adaptive windowing for entity matching. Journal of Systems and Software, 128:1–10.

Nascimento, D. C., Pires, C. E., and Mestre, D. (2016). Data quality monitoring of cloud databases based on data quality slas. In Big-Data Analytics and Cloud Computing: Theory, Algorithms and Applications, pages 3–20. Springer.

Nascimento, D. C., Pires, C. E. S., and Mestre, D. G. (2020). Exploiting block co-occurrence to control block sizes for entity resolution. Knowledge and Information Systems, 62(1):359–400.

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.

Papadakis, G., Papastefanatos, G., and Koutrika, G. (2014). Supervised meta-blocking. Proceedings of the VLDB Endowment, 7(14):1929–1940.

Papadakis, G., Papastefanatos, G., Palpanas, T., and Koubarakis, M. (2016a). Scaling entity resolution to large, heterogeneous data with enhanced meta-blocking. In EDBT, pages 221–232.

Papadakis, G., Skoutas, D., Thanos, E., and Palpanas, T. (2020). Blocking and filtering techniques for entity resolution: A survey. ACM Computing Surveys (CSUR), 53(2):1–42.

Papadakis, G., Svirsky, J., Gal, A., and Palpanas, T. (2016b). Comparative analysis of approximate blocking techniques for entity resolution. Proceedings of the VLDB Endowment, 9(9):684–695.

Zeakis, A., Papadakis, G., Skoutas, D., and Koubarakis, M. (2023). Pre-trained embeddings for entity resolution: an experimental analysis. Proceedings of the VLDB Endowment, 16(9):2225–2238.