LLM-basierte Identitätsauflösung

• Organisationen treten in öffentlichen Datenquellen unter unterschiedlichen Namen, Schreibweisen und sprachlichen Varianten auf. Das erschwert ihre zuverlässige quellenübergreifende Zuordnung.
• Ein von HML entwickeltes Verfahren kombiniert den regelbasierten Abgleich mehrerer Identitätsmerkmale mit einer LLM-gestützten Bewertung mehrdeutiger Fälle.
• Das Verfahren wurde anhand eines Testdatensatzes von 8.000 Organisationen erprobt. Der Ausgangsdatensatz enthielt rund 15 Prozent Dubletten. Die initiale Identitätsprüfung erkannte nahezu alle Dubletten. In der manuell geprüften Stichprobe stimmten mehr als 99 Prozent der automatisiert vorgenommenen Zusammenführungen mit der Experteneinschätzung überein.

Der Aufbau einer konsistenten Organisationsdatenbasis setzt eine zuverlässige quellenübergreifende Identitätsauflösung von Organisationen voraus. Diese Identitätsauflösung, auch Entity Resolution genannt, wird insbesondere durch vier Probleme erschwert:

1. 1.Namensvarianz: Organisationen treten in Datenquellen wie OpenAlex, OpenAIRE und den Open Patent Services (OPS) des Europäischen Patentamts unter unterschiedlichen Namen, Schreibweisen und sprachlichen Varianten auf. Dieselbe Organisation kann als Kurzname, offizieller Rechtsname, englische Übersetzung, Markenname oder quellenspezifisches Kürzel erscheinen. Ein gemeinsamer Referenzschlüssel ist häufig nicht vorhanden.
2. 2.Zeitliche Instabilität: Namen, Domains und Adressen verändern sich infolge von Fusionen, Übernahmen, Rebrandings oder Umzügen. Zudem nutzen Organisationen häufig mehrere Domains gleichzeitig. Statische Systeme können solche Veränderungen fälschlicherweise als Hinweise auf unterschiedliche Organisationen interpretieren. Dadurch fallen historische und aktuelle Profile derselben Entität auseinander.
3. 3.Unterschiedliche Granularitätsebenen: Unternehmen, Tochtergesellschaften, Hochschulen, Arbeitsgruppen, Institute, Konsortien und Projektplattformen werden in verschiedenen Quellen auf unterschiedlichen organisatorischen Ebenen abgebildet. Ähnliche Namen oder Inhalte reichen deshalb nicht aus, um Einträge zuverlässig zusammenzuführen. Eine universitäre Arbeitsgruppe und ein gleichnamiges Unternehmen können beispielsweise thematisch eng miteinander verbunden sein, bilden aber unterschiedliche Entitäten.
4. 4.Kontinuierlicher Datenzufluss: Viele Abgleichverfahren arbeiten mit einem festen Datenbestand oder in zeitlich getrennten Batch-Läufen. Für eine fortlaufend aktualisierte Suchmaschine müssen neu eintreffende Datensätze dagegen kontinuierlich mit bereits aufgelösten Organisationsidentitäten abgeglichen werden.

Zur Bearbeitung dieser Probleme hat HML ein hybrides, Fingerprint-basiertes Verfahren entwickelt. Die Identität einer Organisation wird dabei nicht auf einen einzelnen Referenzschlüssel gestützt, sondern aus mehreren gewichteten Merkmalen wie Name, Rechtsname, Marke, Adresse, Domain, ROR-ID, Entitätstyp und inhaltlichem Organisationsprofil zusammengesetzt.

Für jedes Merkmal können mehrere gültige Ausprägungen als Aliase geführt werden. Nutzt eine Organisation mehrere Domains oder tritt sie unter einer übersetzten, früheren oder verkürzten Bezeichnung auf, werden diese Varianten als Teil desselben Identitätsprofils gespeichert.

Aus der Kombination der Merkmale und ihrer Aliase entsteht ein mehrdimensionaler Fingerprint. Dieser soll eine Organisation auch dann wiedererkennbar machen, wenn einzelne Merkmale zwischen den Quellen abweichen oder sich im Zeitverlauf verändern.

Der Abgleich neu eintreffender Datensätze erfolgt in vier aufeinanderfolgenden Schritten:

1. 1.Initialer Identitätsabgleich: Zunächst werden der Name und die normalisierte Domain eines neuen Datensatzes mit bestehenden Organisationsprofilen und den darin hinterlegten Aliasen abgeglichen. Bei einer eindeutigen Übereinstimmung wird der Datensatz der vorhandenen Organisation zugeordnet. Dadurch lassen sich eindeutige Fälle bereits vor dem rechenintensiveren Crawling auflösen.
2. 2.Crawling und Typologisierung: Kann ein Datensatz nicht eindeutig zugeordnet werden, werden die öffentlich zugänglichen Inhalte der betreffenden Organisation gecrawlt und aufbereitet. Anhand dieser Inhalte ordnet ein LLM der Organisation einen Entitätstyp zu, beispielsweise Unternehmen, Hochschule, Institut, öffentliche Einrichtung, Netzwerk, Arbeitsgruppe oder Konsortium. Die Typologisierung legt fest, welche Einträge im weiteren Identitätsabgleich sinnvoll miteinander verglichen werden können. So soll verhindert werden, dass strukturell unterschiedliche Entitäten allein aufgrund ähnlicher Namen oder Themen zusammengeführt werden.
3. 3.Fingerprint-basierter Identitätsabgleich: Anschließend werden zusätzliche Merkmale wie Adresse, Domain, Rechts- und Markenname, Entitätstyp sowie das inhaltliche Organisationsprofil zu einem organisationsspezifischen Fingerprint zusammengeführt. Dieser wird mit den Fingerprints bereits erfasster Organisationen vergleichbaren Entitätstyps abgeglichen. Eindeutige Fälle werden einem bestehenden Organisationsprofil zugeordnet. Liegt keine belastbare Übereinstimmung vor, wird ein neues Profil angelegt.
4. 4.LLM-gestützte Evidenzbewertung: Besteht eine hohe, aber nicht eindeutige Ähnlichkeit zu einem oder mehreren vorhandenen Profilen, bewertet ein LLM die verfügbaren Hinweise anhand definierter Kriterien. Dabei werden die einzelnen Merkmale in ihrem Zusammenhang betrachtet. Eine identische Adresse kann beispielsweise ein starkes Indiz für eine übereinstimmende Identität sein, ist aber nicht immer ausreichend – etwa wenn mehrere Organisationen an einem Hochschul- oder Technologiecampus ansässig sind. Auf Grundlage der verfügbaren Evidenz wird die Zuordnung zu einem bestehenden Profil bestätigt oder ein neues Organisationsprofil angelegt.

Das Verfahren wurde in einer ersten Pilotanwendung anhand eines Testdatensatzes von 8.000 Organisationen aus heterogenen, öffentlich zugänglichen Quellen erprobt. Vor der Bereinigung enthielt der Datensatz rund 15 Prozent Dubletten. Dabei handelte es sich um Organisationen, die unter abweichenden Namen, Domains, sprachlichen Varianten oder Schreibweisen mehrfach erfasst waren.

Die initiale Identitätsprüfung erkannte nahezu alle Dubletten im Testdatensatz. Anschließend wurden die automatisiert vorgenommenen Zusammenführungen anhand einer manuellen Experteneinschätzung überprüft. In der manuell geprüften Stichprobe stimmten mehr als 99 Prozent der automatisierten Zusammenführungen mit der Experteneinschätzung überein. Die nachgelagerten Schritte des Verfahrens dienten insbesondere dazu, verbleibende mehrdeutige Fälle anhand zusätzlicher Identitätsmerkmale und einer LLM-gestützten Evidenzbewertung einzuordnen.

Einzelne Fälle erforderten eine vertiefte Prüfung. Dies betraf insbesondere Datensätze mit wenigen verfügbaren Informationen, stark abweichenden Bezeichnungen, historischen Veränderungen oder uneindeutigen Organisationsstrukturen. Diese Fallgruppen werden im Rahmen der Weiterentwicklung gezielt untersucht.

Die Pilotanwendung zeigt, dass Einträge derselben Organisation trotz abweichender Namen, Domains und Datenquellen mit hoher Zuverlässigkeit zusammengeführt werden können. Die mehrstufige Identitätsauflösung schafft damit eine konsistente Datenbasis für nachgelagerte Funktionen der Suchmaschine, etwa die Klassifikation nach Sektor, Technologiefeld und FuE-Level.

Im nächsten Teil der Serie zeigen wir, wie öffentlich zugängliche Website-Texte mithilfe eines LLM-gestützten Verfahrens aufbereitet und für die weitere Analyse nutzbar gemacht werden.

Marius Lauermann ist Gründer und Partner der Fördermittelberatung HML Capital AG. Seit mehr als zehn Jahren unterstützt er Start-ups und mittelständische Unternehmen dabei, öffentliche Zuschüsse für Innovationsprojekte zu beschaffen.