Entità

entity\_name

Paese (opt)

Settore (opt)

LEI (opt)

{/* Fase 1: Recupero dei candidati */}

1 — Recupero dell'entità candidata

Cerca nel database delle entità CB i candidati probabili

{/* Fase 2: Ingegneria delle caratteristiche */}

2 — Ingegneria delle caratteristiche

Il punteggio viene calcolato misurando la somiglianza dei nomi e l’allineamento dei metadati per ciascun candidato.

{/* Fase 3: Punteggio ML */}

3 — Punteggio ML

Assegna a ciascun candidato un punteggio interpretato come probabilità di corrispondenza.

Risultato principale

CBId

CBEntityName

fiducia

intervallo

Questo flusso illustra il flusso di lavoro di risoluzione end-to-end, dai campi dell’entità di input ai risultati dei candidati classificati. ## Pipeline ### Recupero delle entità candidate Il database delle entità CB supporta la ricerca testuale approssimativa, restituendo un elenco ristretto di candidati plausibili. Il recupero utilizza l'[Classifica BM25](https://en.wikipedia.org/wiki/Okapi_BM25), che assegna un punteggio ai candidati in base alla frequenza dei termini e alla frequenza inversa dei documenti, e normalizza il testo di input per gestire punteggiatura, accenti, suffissi legali e varianti comuni dei nomi. In genere vengono restituiti circa 20 candidati per ogni nome. Questa fase dà priorità all’[ricordo rispetto alla precisione](https://en.wikipedia.org/wiki/Precision_and_recall) e: la corrispondenza effettiva deve essere presente nell’insieme dei candidati prima che possa essere assegnato un punteggio. ### Ingegneria delle caratteristiche Per ogni candidato viene restituito un vettore di caratteristiche. $\mathbf{x}$ Il modello si basa su decine di segnali individuali, raggruppati in quattro categorie: | Categoria | Esempi | | ------------------------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | | **Somiglianza delle stringhe** | [Jaccard](https://en.wikipedia.org/wiki/Jaccard_index) sovrapposizione dei token, [Levenshtein](https://en.wikipedia.org/wiki/Levenshtein_distance) distanza, [n-gram](https://en.wikipedia.org/wiki/N-gram) somiglianza | | **Rilevanza della ricerca** | [BM25](https://en.wikipedia.org/wiki/Okapi_BM25) punteggio e posizione in classifica dalla fase di recupero | | **Normalizzazione del testo** | Confronto dopo la rimozione di punteggiatura, accenti, suffissi legali e varianti del nome. | | **Allineamento dei metadati** | Coerenza tra input e candidato in termini di Paese, settore e identificativo (LEI). | ### Punteggio ML Un classificatore di apprendimento automatico assegna una probabilità di corrispondenza a ciascun candidato in modo indipendente: $$ \hat{p} = P(\text{match} \mid \mathbf{x}) $$ I candidati sono classificati in base a $\hat{p}$ e i risultati principali restituiti nella risposta. #### Formazione Il modello è stato addestrato su un set di dati interno composto da decine di migliaia di corrispondenze di entità etichettate — ciascuna delle quali è una coppia di corrispondenze vera o falsa. Ciò è distinto dal database delle entità CB stesso, che contiene milioni di record corrispondenti alle entità osservate su [Invii bancari](/methodology/data-processing/data-submission). Il modello viene riaddestrato settimanalmente man mano che sia il database delle entità CB che l'universo di risoluzione delle entità crescono. #### Test Le prestazioni vengono valutate mediante \[Validazione incrociata k-fold]$[https://en.wikipedia.org/wiki/Cross-validation\_\\(statistics\$](https://en.wikipedia.org/wiki/Cross-validation_\\$statistics\\$), validazione incrociata a più passi), garantendo che le metriche riflettano la generalizzazione sull’intero insieme di dati etichettati piuttosto che su una singola partizione addestramento/test. Man mano che il modello viene riaddestrato su nuovi dati, le prestazioni vengono rivalutate ad ogni ciclo. Le metriche di classificazione sono riportate nella pagina "[Precisione e copertura](/api-reference/matching/performance)". ## Punteggio di affidabilità Ogni candidato viene restituito con un punteggio $\hat{p} \in [0, 1]$ che riflette la certezza del modello che si tratti della corrispondenza corretta. Internamente utilizziamo le seguenti fasce come linea guida, sulla base delle prestazioni misurate sui nostri **dati di test**: | Intervallo | Segnale | Tasso di corrispondenza | Motivazione | | ------------------ | ------------------------ | ----------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | *p > 0,6* | Corrispondenza forte | **94.4%** | Livello di confidenza sufficientemente elevato da poter essere considerato una corrispondenza senza revisione manuale | | *p in \[0.3, 0.6]* | Corrispondenza probabile | **\~65%** | Il modello considera una corrispondenza plausibile ma non certa — i punteggi in questo intervallo richiedono una revisione prima dell'accettazione | | *p \< 0,3* | Debole | **\~35%** | È meno probabile che il candidato rappresenti la corrispondenza corretta — tale valore viene restituito generalmente solo per confermare l’assenza di corrispondenze. | Tali cifre riflettono i tassi di corrispondenza **per singolo candidato**. Quando vengono restituiti più candidati (`limit > 1`) con punteggi inferiori, l’entità corretta potrebbe comunque essere presente da qualche parte nell’insieme di risultati: esaminare collettivamente i candidati principali migliora la probabilità di una risoluzione corretta anche quando nessun punteggio singolo è elevato. Si rinvia alla sezione "[Risoluzione delle entità: Accuratezza e Copertura](/api-reference/matching/performance)" per un'analisi completa del compromesso tra le soglie.