---
title: "實體解析（Entity Resolution）"
slug: entity-resolution
language: zh-TW
source: https://aiterms.tw/terms/entity-resolution
updated_at: 2026-06-26
tags: [知識圖譜, 資料處理, 機器學習, AI應用]
ipas_term: false
---

# 實體解析（Entity Resolution）

實體解析是一種資料處理技術，旨在識別並連結來自不同資料來源中指涉相同真實世界實體的記錄，以建立統一且一致的實體視圖。

## 完整說明

實體解析是一種關鍵的資料整合技術，用於識別並連結來自多個異質資料來源中，儘管表達形式不同但實際上指涉相同真實世界實體的記錄。它能夠消除資料冗餘與不一致性，建立單一、權威的實體視圖，從而提高資料品質與分析準確性。常見應用包括客戶360度視圖建立、詐欺偵測、知識圖譜建構及供應鏈管理等。

## 常見問題

### 實體解析與資料去重有何不同？

資料去重（Deduplication）通常指在單一資料來源中識別並移除重複的記錄。例如，在一個客戶資料庫中，找出並合併同一客戶的多條重複記錄。其主要目標是提高單一資料集的內部一致性。實體解析（Entity Resolution）則是一個更廣泛的概念，它旨在識別並連結來自多個異質資料來源中指涉相同真實世界實體的記錄。例如，將來自銷售系統、客服系統和網站分析系統中關於同一位客戶的記錄連結起來。實體解析的目標是建立一個跨資料來源的統一實體視圖，解決資料異質性帶來的挑戰，並為更全面的分析提供基礎。資料去重可以看作是實體解析在單一資料源情境下的特例或前置步驟。

### 在實體解析中，如何選擇合適的相似度度量方法？

選擇合適的相似度度量方法取決於資料的類型、屬性特徵以及期望的匹配精確度。對於字串型屬性（如姓名、地址），常用的有Jaccard相似度、Levenshtein距離、TF-IDF餘弦相似度等。Jaccard適用於比較集合的相似性，Levenshtein適用於衡量字串編輯距離，TF-IDF則能考慮詞頻和重要性。對於數值型屬性（如年齡、金額），可使用絕對差、相對差或區間匹配。對於日期型屬性，則需考慮日期格式的標準化後再進行比較。在實際應用中，通常會採用多屬性組合的方式，為每個屬性選擇最適合的相似度度量，然後透過加權平均、機器學習模型或規則引擎來綜合判斷整體相似度。此外，領域知識和數據特性也應納入考量，例如某些屬性（如身分證號碼）可能具有更高的匹配權重。

### 實體解析在知識圖譜建構中扮演什麼角色？

實體解析在知識圖譜建構中扮演著核心且基礎的角色。知識圖譜旨在以圖結構表示真實世界的實體及其之間的關係。然而，在從各種非結構化、半結構化和結構化資料來源中提取資訊時，同一個真實世界實體可能以多種不同的形式出現，例如「蘋果公司」、「Apple Inc.」和「Apple」。實體解析的任務就是識別這些不同的表達形式，並將它們連結到知識圖譜中的單一節點上，代表該真實世界實體。這確保了知識圖譜的一致性、完整性和準確性，避免了重複實體和資訊碎片化。沒有有效的實體解析，知識圖譜將充滿冗餘和歧義，難以進行有效的查詢和推理。因此，它是將原始數據轉化為高質量、可用的知識圖譜的關鍵步驟。

---

來源：https://aiterms.tw/terms/entity-resolution
快查頁：https://aiterms.tw/terms/entity-resolution
最後更新：2026/06/26
深度解說：https://aiterms.tw/learning/what-is-entity-resolution