.png){kind=icon}
返回
CGEM: A cognitive-guided network for human-aligned entity matching
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.132950.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习 (DL) 具有先进的实体匹配 (EM)，但有限的可解释性对于决策支持设置中的实际部署尤其成问题，突出了对与人类推理相一致的模型以及强大性能的需求。现有的方法提高了可解释性，但很少反映人类如何做出决策。我们提出了认知引导的实体匹配 (CGEM)，这是一种与人类一致的框架，将EM重新概念化为认知过程，而不是纯粹的技术任务。CGEM以既定的理论为基础: 它引入了受认知负荷理论启发的复杂性引导的门控; 建立基于框架语义的整体语义表示; 并根据线索有效性理论采用核心属性推理，以确保诊断特征控制最终决策。因此，CGEM明确地对复杂性，上下文性和诊断性进行了建模，这些在EM研究中仍未得到充分探索。DeepMatcher基准测试的实验表明，CGEM在Amazon-Google，abt-buy，iTunes-Amazon和walmart-amazon数据集上提供了最强大的改进，比DITTO (2023) 提高了9.34%，比AttendEM (2024) 提高了5.51%。并且在多个基准上进一步超过基于大语言模型 (LLM) 的EM方法。据我们所知，CGEM是第一个以认知决策理论为基础的EM框架，推进了实体匹配与人类一致的推理，强大的预测性能和改进的可解释性。
Keyword:
Entity Matching
Cognitive Guided
Interpretability
Deep Learning
Human-aligned Reasoning
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
Cognitive load theory and instructional design: Recent developments认知负荷理论与教学设计: 最新进展.png)
EDUCATIONAL PSYCHOLOGIST
EDUCATIONAL PSYCHOLOGISTIF11.4
PREAI
分享收藏分享收藏
查看更多内容