跳转至

基于约束引导的大语言模型企业数据映射

文章背景与核心概要

企业实体对齐任务常因半结构化记录、隐式属性以及单位或粒度不匹配等问题而面临挑战。尽管大语言模型（LLMs）在提升语义召回率方面表现出色，但若孤立使用，往往会违反结构性和物理不变性，导致输出结果在实际操作中不可用。

本文发表于第20届神经符号学习与推理国际会议（NeSy 2026），提出了一种名为“约束引导映射”（Constraint-Guided Mapping, CGM）的神经符号方法。CGM 将约束视为假设空间算子而非事后检查机制，在确保结构有效性的同时，显著降低了计算成本和专家工作负载。

核心方法：约束引导映射 (CGM)

CGM 构建了一个三阶段的神经符号流水线：

CGM is structured around a three-stage neuro-symbolic pipeline:

  1. 基于模式的准入约束： 结合元数据 \(m_c = \langle \tau_c, \delta_c \rangle\)，其中 \(\tau_c\) 表示约束类型，\(\delta_c\) 提供可执行的关系和归一化逻辑。
  1. Schema-Grounded Admissibility Constraints: Incorporates metadata \(m_c = \langle \tau_c, \delta_c \rangle\), where \(\tau_c\) denotes the constraint type and \(\delta_c\) provides executable relation and normalization logic.
  1. 约束限制的候选生成： 采用级联松弛技术，以确保在处理噪声数据时，可行解集始终非空。
  1. Constraint-Restricted Candidate Generation: Employs a cascade relaxation technique to guarantee a non-empty feasible set when dealing with noisy data.
  1. 神经排序： 应用受限的大语言模型消歧，该过程严格限制在生成的候选可行解集内。
  1. Neural Ranking: Applies bounded LLM disambiguation that is strictly restricted to the generated feasible set.

关键发现与性能亮点

  • 空间缩减： 在受控的结构诱饵基准测试中，硬准入约束将候选空间缩小了约 480倍，且未丢失真实值（GT）。
  • Space Reduction: On a controlled structural-decoy benchmark, hard admissibility constraints shrunk the candidate space by roughly 480x without dropping ground truth (GT).
  • 性能显著提升： 消融研究表明，约束门控机制（而非单纯依赖 LLM）提供了决定性的性能提升，将 F1 分数从 0.08 提高到 0.66。
  • Significant Performance Lift: Ablation studies show that the constraint gate—rather than the LLM alone—provides the decisive performance boost, raising the F1 score from 0.08 to 0.66.
  • 成本效率： 性能收益与模型无关，且不会引入额外的推理开销。集成约束的小型模型在准确性上可媲美未加约束的前沿大模型，但成本降低了约 28倍。
  • Cost Efficiency: The performance benefits are model-independent and introduce zero extra inference overhead. A smaller model integrated with constraints matches the accuracy of a frontier LLM used without them at ~28x lower cost.
  • 通用性： 该方法在七个企业领域中均能有效迁移（宏观 F1 分数达到 0.70），每个领域均在自动发现和专家可优化的约束下运行。
  • Generalizability: The method transfers effectively across seven enterprise domains (achieving a macro F1 of 0.70), each operating under automatically discovered and expert-refinable constraints.
  • 专家劳动减少： 与传统的基于电子表格的工作流程相比，专家的人工投入减少了约 7倍。
  • Expert Labor Reduction: Reduces manual expert effort by ~7x compared to traditional spreadsheet-based workflows.