[论文解读] 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 0

一句话总结

本文引入 CE‑RAG4EM，一种基于阻塞引导的 RAG 架构，用于实现成本高效的批量检索与生成，以提升实体匹配的效率与可扩展性，同时保持或改善匹配质量。

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.

研究动机与目标

• 在基于大模型的实体匹配（EM）中，激发并解决效率与可扩展性方面的不足。
• 提出 CE‑RAG4EM，一种基于阻塞引导的 RAG 架构，以实现成本高效的批量检索与生成。
• 提供一个统一框架，分析用于 EM 的 RAG 变体，包括阻塞策略和检索粒度。
• 在强基线和多种设计选择下评估 CE‑RAG4EM，以绘制性能与开销之间的权衡。

提出的方法

• 引入基于阻塞的批量构建，将来自源表和目标表的相似记录分组为块。
• 使用 Top‑k 实体/谓词，从知识图谱（KG）中进行块级批量检索上下文知识。
• 对检索到的 KG 上下文进行三元组检索与图扩展（BFS 和邻域扩展）。
• 用来自 KG 的文本描述丰富检索到的标识符，并应用基于排序的细化以过滤噪声。
• 为每个查询和块级批量生成使用定制的提示策略，以生成 EM 决策。

实验结果

研究问题

• RQ1 基于阻塞的批量检索是否能够在不降低准确性的前提下，降低 EM 的检索与生成开销？
• RQ2 检索粒度（实体/谓词 vs. 三元组）如何影响 EM 的性能与效率？
• RQ3 基于块的批量处理与按查询的 RAG 在 EM 中有哪些权衡？
• RQ4 知识丰富化与精炼如何影响基于 LLM 的 EM 决策？
• RQ5 设计选择（块大小、Top-k、遍历深度）如何影响性能与成本？

主要发现

• CE‑RAG4EM 相较于强基线，在保持或提升 EM 质量的同时显著降低端到端运行时间。
• 基于阻塞的批量检索摊销了检索成本，使 EM 的 RAG 实践更具可扩展性。
• 检索粒度和图遍历策略显著影响准确性与效率之间的权衡。
• 知识丰富化与基于指令微调的筛选有助于减弱检索知识带来的噪声。
• 该框架提供关于参数设置（如最大块大小、Top-k）的实用指南，以平衡性能与开销。
• 一个统一的评估框架支持在 EM 任务与知识源之间对 RAG 变体进行 principled 比较。