Identità e Ontologia Tagging in un Knowledge Graph di Produzione

Uno studio recente pubblicato su arXiv (2608.10644) delinea un framework di ingestione e tagging ontologico per un knowledge graph completo che comprende 537.157 entità e 2.198.567 relazioni, derivato da 98.795 documenti governativi. Gli autori sostengono che le decisioni relative all'identità durante la creazione del grafo possono essere dannose, poiché unire record sotto un'unica identità è irreversibile una volta che le loro proprietà sono combinate, a differenza degli errori di estrazione che possono essere corretti in seguito. Per mitigare questo problema, introducono una scala di identità dei record che valuta la somiglianza attraverso colonne identificative, colonne di nomi, nomi visualizzati e posizione tipizzata, invece di affidarsi alla somiglianza dei nomi. Questa scala facilita la deduplicazione nelle tabelle analizzate, mentre una chiave più ampia basata sul nome canonico viene utilizzata durante la scrittura del grafo, garantendo che i record con nomi canonici identici si uniscano automaticamente quando sono esattamente uguali. L'articolo sottolinea la necessità critica di una gestione meticolosa dell'identità nella costruzione di knowledge graph, specialmente nel contesto dell'elaborazione di documenti su larga scala.