Sparkly : Un bloqueur TF/IDF simple mais étonnamment puissant pour l’appariement d’entités

Le blocage constitue une tâche majeure dans le cadre du matching d’entités. De nombreuses solutions de blocage ont été développées, mais, à notre connaissance, le blocage basé sur la mesure bien connue tf/idf a reçu pratiquement aucune attention. Pourtant, lors de nos expérimentations avec le blocage tf/idf utilisant Lucene, nous avons constaté qu’il se comportait très bien. Aussi, dans cet article, nous examinons en profondeur le blocage tf/idf. Nous proposons Sparkly, un système qui utilise Lucene pour effectuer le blocage top-k tf/idf de manière distribuée, selon une architecture « share-nothing », sur un cluster Spark. Nous avons développé des techniques permettant d’identifier automatiquement les attributs et les tokenizers optimaux pour le blocage, rendant ainsi Sparkly entièrement automatique. Nous menons des expérimentations étendues démontrant que Sparkly surpasser les 8 bloqueurs d’état de l’art. Enfin, nous fournissons une analyse approfondie des performances de Sparkly, tant en termes de rappel et de taille de sortie que de temps d’exécution. Nos résultats suggèrent que (a) le blocage tf/idf mérite davantage d’attention, (b) Sparkly constitue une base solide contre laquelle les travaux futurs sur le blocage devraient être comparés, et (c) les recherches futures devraient sérieusement considérer le blocage top-k, qui améliore le rappel, ainsi qu’une architecture distribuée « share-nothing », qui améliore la scalabilité, la prévisibilité et l’extensibilité.