§ IV — Публикации

Исследования
и литература

Ведём открытый литературный обзор на стыке ИИ, эвристических методов и задач промышленной дистрибуции. Ниже — ключевые работы, на которые опирается наш метод, и наши собственные исследования.

Наши исследования

В подготовке

Литературный обзор: ИИ и эвристические методы подбора аналогов в промышленной B2B-дистрибуции

Heuristics Group

2026 · готовится к публикации в рецензируемом журнале

Систематический обзор подходов к задаче product matching: от классических метрик сходства (Jaccard, cosine, Levenshtein) через ML-классификаторы к LLM-экстракции признаков. Сравнение на данных кабельной и электротехнической отрасли.

product matching ИИ эвристика B2B литобзор

Базовые работы по entity matching

Deep Entity Matching with Pre-Trained Language Models

Li, Y., Li, J., Suhara, Y., Doan, A., & Tan, W.-C.

Proceedings of the VLDB Endowment, Vol. 14, No. 1, pp. 50–60 · 2020

Система Ditto — SOTA-результат в entity matching на предобученных Transformer-моделях (BERT, RoBERTa). Ключевые техники: аугментация данных, суммаризация длинных строк, инъекция доменных знаний через тегирование.

DOI: 10.14778/3421424.3421431 PDF

Neural Networks for Entity Matching: A Survey

Barlaug, N. & Gulla, J. A.

ACM Transactions on Knowledge Discovery from Data, Vol. 15, No. 3, Art. 52 · 2021

Наиболее полный обзор нейросетевых подходов к entity matching. Таксономия моделей, сравнительный анализ архитектур, систематизация бенчмарков. Основной обзорный источник.

DOI: 10.1145/3442200

Deep Learning for Entity Matching: A Design Space Exploration

Mudgal, S., Li, H., Rekatsinas, T., Doan, A., et al.

Proceedings of the 2018 International Conference on Management of Data (SIGMOD) · 2018

Первое масштабное исследование пространства проектирования DL-систем для EM. Эмпирическое сравнение на структурированных, текстовых и «грязных» датасетах. Заложил фундамент для DeepMatcher.

DOI: 10.1145/3183713.3196926

(Almost) All of Entity Resolution

Binette, O. & Steorts, R. C.

Science Advances, Vol. 8, No. 12 · 2022

Определяющий обзор всей области Entity Resolution: от вероятностных моделей Fellegi–Sunter до байесовских подходов. Формализация задачи, метрики оценки, открытые проблемы.

DOI: 10.1126/sciadv.abi8021 Science.org

LLM и product matching

Match, Compare, or Select? An Investigation of Large Language Models for Entity Matching

Fan, T., Li, J., et al.

Proceedings of COLING 2025 · 2024 (preprint)

Три стратегии применения LLM к матчингу: бинарное сравнение пар, попарное ранжирование кандидатов, выбор из списка. Фреймворк ComEM объединяет подходы и показывает лучшую точность при меньших затратах на API.

DOI: 10.48550/arXiv.2405.16884 arXiv

Text-Based Product Matching — Semi-Supervised Clustering Approach

Rößler, M. & Bizer, C.

arXiv preprint · 2024

Semi-supervised подход к product matching через кластеризацию (IDEC). Главный вклад — снижение зависимости от размеченных данных, что критично для B2B-среды, где ground truth почти не существует.

DOI: 10.48550/arXiv.2402.10091 arXiv

Deep Cross-Platform Product Matching in E-Commerce

Ristoski, P., Petrovski, P. & Mika, P.

Information Retrieval Journal, Vol. 23, pp. 136–153 · 2020

Нейронная модель, использующая одновременно текст названий и структурированные атрибуты для кросс-платформенного матчинга каталогов. Близко к нашей задаче сопоставления номенклатур конкурентов.

DOI: 10.1007/s10791-019-09360-1

Индексация и площадки

Площадки, где мы публикуемся и отслеживаем литературу.

📚 Web of Science 🔬 eLibrary / РИНЦ 🎓 Google Scholar 📄 arXiv 🗃 DBLP 🔎 Semantic Scholar