Enhet

entity\_name

land (opt)

bransje (opt)

LEI (opt)

{/* Trinn 1: Henting av kandidater */}

1 — Henting av kandidatenheter

Søker i CB-enhetsdatabasen etter sannsynlige kandidater

{/* Trinn 2: Feature Engineering */}

2 — Feature Engineering

Måler navnelikhet og samsvar mellom metadata per kandidat

{/* Trinn 3: ML-poengberegning */}

3 — ML-poengsum

Gir hver kandidat en poengsum som sannsynlighet for treff

Topp-resultat

CBId

CBEntityName

sikkerhet

rangering

Denne flyten viser den komplette løsningsarbeidsflyten fra inndataentitetsfelt til rangerte kandidatresultater. ## Pipeline ### Henting av kandidatenheter CB Entity Database støtter omtrentlig tekstsøk og returnerer en kortliste med plausible kandidater. Søket bruker «[BM25-rangering](https://en.wikipedia.org/wiki/Okapi_BM25)» – som rangerer kandidater etter termfrekvens og invers dokumentfrekvens – og normaliserer inndatateksten for å håndtere tegnsetting, aksenter, lovlige suffikser og vanlige navnevarianter. Omtrent 20 kandidater hentes per navn. Dette trinnet prioriterer «[gjenfinningsgrad fremfor presisjon](https://en.wikipedia.org/wiki/Precision_and_recall)»: den riktige treffet må vises i kandidatsettet før poengberegningen kan begynne. ### Feature Engineering For hver kandidat, en funksjonsvektor $\mathbf{x}$ er bygget opp av dusinvis av individuelle signaler, gruppert i 4 kategorier: | Kategori | Eksempler | | ---------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | **Strenglikhet** | [Jaccard](https://en.wikipedia.org/wiki/Jaccard_index) token-overlapping, [Levenshtein](https://en.wikipedia.org/wiki/Levenshtein_distance) avstand, [n-gram](https://en.wikipedia.org/wiki/N-gram) likhet | | **Søkerelevans** | [BM25](https://en.wikipedia.org/wiki/Okapi_BM25) poengsum og rangering fra hentingsfasen | | **Tekstnormalisering** | Sammenligning etter fjerning av tegnsetting, aksenter, juridiske suffikser og navnevarianter | | **Metadatajustering** | Konsistens mellom land, sektor og identifikator (LEI) mellom inndata og kandidat | ### ML-poengsum En maskinlæringsklassifikator tildeler en samsvarssannsynlighet til hver kandidat uavhengig: $$ \hat{p} = P(\text{match} \mid \mathbf{x}) $$ Kandidatene rangeres etter $\hat{p}$ og de øverste resultatene som returneres i svaret. #### Opplæring Modellen er trent på et internt datasett med titusenvis av merkede entitetsmatcher — hver et par med enten riktig eller feil match. Dette skiller seg fra selve CB Entity Database, som inneholder millioner av poster som tilsvarer observerte enheter fra [bankinnleveringer](/methodology/data-processing/data-submission). Modellen trenes på nytt hver uke etter hvert som både CB Entity Database og universet for entitetsoppløsning vokser. #### Testing Ytelsen evalueres ved hjelp av «[k-fold kryssvalidering](https://en.wikipedia.org/wiki/Cross-validation_$statistics$»), noe som sikrer at målingene gjenspeiler generalisering over hele det merkede datasettet, snarere enn en enkelt oppdelings- og testdel. Ettersom modellen omskoleres på nye data, blir ytelsen revurdert hver syklus. Klassifiseringsmålinger rapporteres på siden «[Accuracy & Coverage](/api-reference/matching/performance)». ## Konfidensscore Hver kandidat returneres med en poengsum $\hat{p} \in [0, 1]$ som gjenspeiler modellens sikkerhet for at det er det riktige treffet. Internt bruker vi følgende bånd som veiledning, basert på ytelse målt på **testdataene** våre: | Område | Signal | Treffrate | Begrunnelse | | ----------------- | ---------------- | ---------- | -------------------------------------------------------------------------------------------------------------------------------- | | *p > 0,6* | Sterk treff | **94.4%** | Høy nok sikkerhet til å behandle som et treff uten manuell gjennomgang | | *p i \[0.3, 0.6]* | Sannsynlig treff | **\~65 %** | Modellen anser et treff som sannsynlig, men ikke sikkert — poengsummer i dette området krever gjennomgang før de godtas | | *p \< 0,3* | Svakt | **\~35 %** | Det er mindre sannsynlig at kandidaten er det riktige treffet — vises vanligvis bare for å bekrefte at det ikke finnes noe treff | Disse tallene gjenspeiler trefffrekvensen **per kandidat**. Når flere kandidater returneres (`limit > 1`) med lavere poengsum, kan den riktige enheten fortsatt være til stede et sted i resultatsettet — å gjennomgå de beste kandidatene samlet øker sjansen for en korrekt identifisering, selv når ingen enkelt poengsum er høy. Se «[Enhetsoppløsning: Accuracy & Coverage](/api-reference/matching/performance)» for en fullstendig analyse av avveiningen mellom terskelverdier.