[論文レビュー] Cost-Efficient RAG for Entity Matching with LLMs: A Blocking-based Exploration

Chuangtao Ma, Zeyu Zhang+3 more|arXiv (Cornell University)|Feb 5, 2026

Data Quality and Management被引用数 0

ひとこと要約

この論文は、CE‑RAG4EM を提案する。ブロック指向の RAG アーキテクチャで、バッチ取得と生成を利用して計算を削減しつつ、マッチングの品質を維持または向上させる大規模エンティティマッチングのためのコスト効率の高い RAG フレームワーク。

ABSTRACT

Retrieval-augmented generation (RAG) enhances LLM reasoning in knowledge-intensive tasks, but existing RAG pipelines incur substantial retrieval and generation overhead when applied to large-scale entity matching. To address this limitation, we introduce CE-RAG4EM, a cost-efficient RAG architecture that reduces computation through blocking-based batch retrieval and generation. We also present a unified framework for analyzing and evaluating RAG systems for entity matching, focusing on blocking-aware optimizations and retrieval granularity. Extensive experiments suggest that CE-RAG4EM can achieve comparable or improved matching quality while substantially reducing end-to-end runtime relative to strong baselines. Our analysis further reveals that key configuration parameters introduce an inherent trade-off between performance and overhead, offering practical guidance for designing efficient and scalable RAG systems for entity matching and data integration.

研究の動機と目的

• LLM に基づくエンティティマッチング（EM）の効率性とスケーラビリティのギャップを動機づけ、対処する。
• CE‑RAG4EM を提案し、コスト効率の高いバッチ取得と生成を実現する Blocking-guided RAG アーキテクチャを提示する。
• ブロッキング戦略と取得粒度を含む EM の RAG バリアントを分析する統一フレームワークを提供する。
• 強力なベースラインと設計選択を横断して CE‑RAG4EM を評価し、性能とオーバーヘッドのトレードオフをマッピングする。

提案手法

• ソース表とターゲット表の間で類似レコードをブロックにグルーピングするブロックベースのバッチ構築を導入する。
• Top‑k のエンティティ/述語を用いて知識グラフ（KG）からブロックレベルのコンテキスト知識を取得する。
• 取得した KG コンテキストに対してトリプル検索とグラフ展開（BFS および近傍展開）を実行する。
• 取得した識別子を KG からのテキスト説明で補強し、ランキングベースの精緻化を適用してノイズを除去する。
• 各クエリおよびブロックレベルのバッチ生成に特化したプロンプティング戦略を用いて EM 判断を生成する。

実験結果

リサーチクエスチョン

• RQ1 ブロックベースのバッチ取得は EM の RAG における取得および生成のオーバーヘッドを、精度を損なうことなく削減できるか。
• RQ2 取得粒度（エンティティ/述語 vs. トリプル）が EM の性能と効率にどう影響するか。
• RQ3 ブロックベースのバッチ処理と per-query RAG の間のトレードオフは EM においてどうなるか。
• RQ4 知識の強化と洗練による知識ベースの活用が、LLM ベースの EM 判断にどう影響するか。
• RQ5 設計選択（ブロックサイズ、Top-k、探索深さ）が性能とコストにどう影響するか。

主な発見

• CE‑RAG4EM は、強力なベースラインと比較してエンドツーエンドの実行時間を大幅に削減しつつ、比較可能または向上した EM 品質を実現できる。
• ブロックベースのバッチ取得は取得コストを平滑化し、EM のスケーラブルな RAG を実現する。
• 取得粒度とグラフ探索戦略は、精度と効率のトレードオフに大きく影響する。
• 知識の強化と指示調整に基づくフィルタリングは、取得知識からのノイズを軽減するのに役立つ。
• 最大ブロックサイズ、Top-k などのパラメータ設定が、性能とオーバーヘッドのバランスをとる実用的な指針を提供する。
• 統一評価フレームワークは、EM タスクと知識源を横断して RAG バリアントを原則的に比較するのに寄与する。