面向可信决策的混合注意力实体解析方法OA

实体解析是数据治理与集成的关键步骤,也是数据驱动决策可信落地的前置环节。尽管深度学习与大语言模型提升了实体解析性能,但在金融风控、医疗健康等高风险场景中仍存在"黑箱"问题,难以满足可解释性与可验证性需求。提出一种基于线索效度理论、面向可信决策的混合注意力实体解析框架CogAttenER。该框架构建在RoBERTa预训练网络之上,引入“属性级表示+多属性全局语义模板”的编码方式,并设计融合统计相关性权重与可训练专家权重的混合注意力机制,以显式建模决策过程中对关键属性的优先关注、对缺失信息的合理推断及对整体语义一致性的综合评估。在13个公开数据集实验表明,CogAttenER性能优于DITTO、HierGAT等方法,在BeerAdvo-RateBeer和Amazon-Google数据集F1值分别提升约6.11%和2.61%;相比Llama-3.1、GPT-4o mini等大语言模型,在保证精度的同时降低计算开销,决策行为更稳定,具备可信决策场景的工程部署价值。