Экономически эффективный RAG для сопоставления сущностей с использованием LLM: исследование на основе блокировки

Cost-Efficient RAG for Entity Matching with LLMs: A Blocking-based Exploration

February 5, 2026

Авторы: Chuangtao Ma, Zeyu Zhang, Arijit Khan, Sebastian Schelter, Paul Groth

cs.AI

Аннотация

Генерация с расширением выборки (RAG) улучшает логические рассуждения больших языковых моделей при решении задач, требующих глубоких знаний, однако существующие RAG-конвейеры несут значительные затраты на извлечение и генерацию при применении к крупномасштабному сопоставлению сущностей. Для преодоления этого ограничения мы представляем CE-RAG4EM — экономичную по затратам RAG-архитектуру, которая сокращает вычисления за счёт пакетного извлечения и генерации на основе блокировки. Мы также предлагаем унифицированную структуру для анализа и оценки RAG-систем для сопоставления сущностей, уделяя особое внимание оптимизациям с учётом блокировки и гранулярности извлечения. Многочисленные эксперименты показывают, что CE-RAG4EM позволяет достичь сопоставимого или улучшенного качества сопоставления при значительном сокращении сквозного времени выполнения по сравнению с сильными базовыми методами. Наш анализ дополнительно раскрывает, что ключевые параметры конфигурации создают врождённый компромисс между производительностью и накладными расходами, предлагая практические рекомендации по проектированию эффективных и масштабируемых RAG-систем для сопоставления сущностей и интеграции данных.

English

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.