Constraint-Guided Enterprise Data Mapping with Large Language Models

作者: Sebastian Monka, Pramod Anantharam, Thien Vo Minh, Lavdim Halilaj

分类: cs.AI, cs.CL

发布日期: 2026-08-25

备注: 20th International Conference on Neurosymbolic Learning and Reasoning. NeSy 2026

💡 一句话要点

提出约束引导的企业数据映射方法以解决实体对齐问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 企业数据映射 实体对齐 约束引导 神经符号方法 大型语言模型 数据集成 信息系统

📋 核心要点

1. 现有的企业实体对齐方法在处理半结构化记录和隐式属性时存在局限，手动匹配难以扩展。
2. 本文提出的约束引导映射方法通过三阶段流程，结合了结构约束与神经网络的优势，提升了匹配的准确性。
3. 在控制结构干扰的基准测试中，该方法将候选空间缩小约480倍，F1值从0.08提升至0.66，显著降低了专家工作量。

📝 摘要（中文）

企业实体对齐需要处理半结构化记录、隐式属性以及单位或粒度不匹配等问题。尽管手动匹配在实践中仍然常见，但随着模式和提供者的演变，这种方法无法扩展。仅依赖大型语言模型（LLM）的匹配虽然提高了语义召回率，但可能违反结构和物理不变性，导致生成流畅但在操作上无效的对应关系。为此，本文提出了一种约束引导映射（CGM）的方法，采用神经符号结合的方式，分为三个阶段：首先，定义基于模式的可接受性约束；其次，通过级联放松生成约束限制的候选集；最后，进行神经排序和LLM消歧。实验表明，该方法在不增加推理成本的情况下，显著提高了匹配性能。

🔬 方法详解

问题定义：本文旨在解决企业数据映射中的实体对齐问题，现有方法在处理半结构化记录和隐式属性时常常无法有效扩展，手动匹配也难以适应不断变化的模式和提供者。

核心思路：提出的约束引导映射（CGM）方法通过引入结构约束，确保生成的匹配不仅语义上合理，同时在结构和物理上有效。该方法通过将约束视为假设空间操作符，允许在放松条件下进行控制性降级。

技术框架：CGM方法分为三个主要阶段：第一阶段是定义基于模式的可接受性约束，包含元数据；第二阶段是通过级联放松生成约束限制的候选集，确保在噪声下仍有可行解；第三阶段是对候选集进行神经排序和LLM消歧。

关键创新：该方法的创新点在于将约束作为假设空间操作符，而非事后验证器，从而实现了在放松条件下的可控降级，且不增加额外的推理成本。

关键设计：在约束的设计中，定义了可接受性约束的类型和执行逻辑，确保在生成候选集时能够有效地缩小搜索空间，同时保持与真实标签的一致性。

🖼️ 关键图片

📊 实验亮点

实验结果显示，约束引导映射方法在控制结构干扰的基准测试中，候选空间缩小约480倍，F1值从0.08提升至0.66。此外，该方法在不同企业数据集上表现出良好的迁移能力，宏观F1值达到0.70，且专家工作量降低约7倍。

🎯 应用场景

该研究的潜在应用领域包括企业数据集成、信息系统中的实体对齐以及数据清洗等场景。通过提高数据映射的准确性和效率，CGM方法能够显著降低人工干预的需求，提升企业在数据管理上的决策能力和响应速度，未来可能在大规模数据处理和智能信息系统中发挥重要作用。

📄 摘要（原文）

Enterprise entity alignment must handle semi-structured records, implicit attributes, and unit or granularity mismatches. Manual matching is still common in practice, but does not scale as schemas and providers evolve. LLM-only matching improves semantic recall, yet can violate structural and physical invariants, producing fluent yet operationally invalid correspondences. We propose constraint-guided mapping (CGM), a neuro-symbolic method with three stages: (i) schema-grounded admissibility constraints with metadata mc = , where tau_c denotes the constraint type and delta_c provides executable relation and normalization logic; (ii) constraint-restricted candidate generation with cascade relaxation to guarantee a nonempty feasible set under noise; and (iii) neural ranking with bounded LLM disambiguation restricted to that feasible set. Methodologically, constraints operate as hypothesis-space operators rather than post-hoc validators, enabling controlled degradation under relaxation and auditable, human-guidable decisions. On a controlled structural-decoy benchmark, hard admissibility shrinks the candidate space by ~480x without dropping the GT, and a layer-by-layer ablation shows this gate, not the LLM, is the decisive lift (F1 0.08 to 0.66). The benefit is model-independent and adds no extra inference cost: a small model with constraints matches a frontier LLM used without them at ~28x lower cost. The method, not a single tuned configuration, transfers across seven enterprise makes (macro F1 0.70), each under its own automatically discovered, expert-refinable constraints, and lowers expert effort by ~7x versus spreadsheet workflows. Public Valentine results add an external ranking sanity check and mark the boundary: constraints should be hard only where structural invariants are match-determining.