Mehrdimensionalen Vergleichsfilter generieren

Um einen mehrdimensionalen Vergleichsfilter in Ihrem Abgleichalgorithmus zu generieren, aktualisieren Sie die Konfiguration der Abgleichengine mithilfe von REST-API-Befehlen:

1. Greifen Sie auf die API-Schnittstelle IBM Match 360 zu und authentifizieren Sie sich.

2. Geben Sie wie im folgenden Beispiel dargestellt POST /mdm/v1/algorithms/{record_type} -Nutzdaten an, die einen Filter definieren:

   {"person_entity":{"auto_link_threshold":0.4,"matching_attributes":[{"attributes":["legal_name"], "post_filter_methods": ["false_positive_filter"]},{"attributes":["primary_residence"], "post_filter_methods": ["false_positive_filter"]}, {"attributes":["mobile_telephone"]},
   {"attributes":["birth_date"], "post_filter_methods": ["false_positive_filter"]}, {"attributes":["gender"]}, {"attributes":["personal_email"]}]}}
   

   In den Beispielnutzdaten ist false_positive_filter der Name des angepassten Filters. Sie gilt für alle Attribute in den Nutzdaten, die den Filternamen enthalten.

Die Beispiel-API-Nutzdaten generieren einen Algorithmus, der ein false_positive_filter enthält, in dem die Gewichtungen und Strafen der Standardwert 0 sind.

Optional können Sie die Gewichtungen und Strafen an die Anforderungen Ihres Unternehmens anpassen und anschließend Ihren aktualisierten Algorithmus mithilfe der PUT /mdm/v1/algorithms/{record_type} -API bereitstellen.

Informationen zu den Parametern, die Filter definieren

Um die Konfigurationsparameter zu verstehen, die mehrdimensionale Vergleichsfilter definieren, sehen Sie sich das Beispiel false_positive_filter an, das im vorherigen Abschnitt erstellt wurde.

Rufen Sie den aktuellen Algorithmus mit dem API-Befehl GET /mdm/v1/algorithms/{record_type}ab.

Nachdem Sie die POST-Anforderung im vorherigen Abschnitt mit den entsprechenden Beispielnutzdaten übergeben haben, wurde der folgende Abschnitt in der Algorithmuskonfiguration generiert:

{
  "false_positive_filter": {
    "filter_recipe": [
      {
        "method": "FilterMethod.MultiDimFilter",
        "inputs": [1,2,3],
        "label": "Multi-Dim filter",
        "weights": [
          {
            "distances": [0,0],
            "values": [0,0,0,0,0,0]
          }
        ]
      }
    ],
    "inputs": [
      {"compare_method": "address_compare"},
      {"compare_method": "date_compare"},
      {"compare_method": "pername_compare"}
    ],
    "label": "false_positive_filter"
  }
}

Der Beispielabschnitt false_positive_filter enthält die Standardparameter, die mehrdimensionale Vergleichsfilter definieren:

• filter_recipe -Dieser Abschnitt enthält ein Array von Parametern, die die erforderliche Anleitung zum Definieren übereinstimmender Gewichtungen für jede Eingabe bereitstellen.

  • inputs Der Abschnitt filter_recipe.inputs enthält einen Index der Eingaben, für die dieses Filterrezept gilt. Dies sind Zahlenwerte, die der Reihenfolge der im Abschnitt inputs aufgelisteten Vergleichsmethoden entsprechen. Im Beispiel entspricht 1 der Methode address_compare , 2 der Methode date_compare und 3 der Methode pername_compare .
  • weights -Der Abschnitt weights ist ein Array von Elementen, die definieren, wie die einzelnen Eingaben für den dreidimensionalen Vergleich gewichtet werden. Der Abschnitt weights enthält distances -und values -Definitionen für die Eingaben. Die Standardgewichtung ist 0 für jede Eingabe, die nicht definiert ist.

• inputs -Dieser Abschnitt enthält die Vergleichsmethoden für die übereinstimmenden Attribute. Diese Methoden verwenden die Abstände und Gewichtungen, die Sie im Abschnitt filter_recipe definieren.

• max_distance -Optional (nicht gezeigt) Dieser Parameter definiert den maximalen Abstand. Der maximale Standardabstand ist 5, d. h., der Parameter filter_recipe.weights.values kann 6 Elemente enthalten ("values":[0,1,2,3,4,5]).

Angepasste Filter konfigurieren

So passen Sie vorhandene Vergleichsmethoden für die Verwendung mit einem mehrdimensionalen Vergleichsfilter an:

1. Aktuellen Algorithmus abrufen:

   GET /mdm/v1/algorithms/{record_type}
   

2. Aktualisieren Sie den Algorithmus nach Bedarf. Sie können die Daten beispielsweise wie folgt nutzen:

   • Fügen Sie im Abschnitt weights Elemente hinzu bzw. aktualisieren Sie sie, um die Gewichtungen für die aufgelisteten Eingaben anzupassen.
   • Definieren Sie den maximalen Abstand, indem Sie einen Parameter max_distance hinzufügen.
   • Fügen Sie Vergleichsmethoden als Eingaben hinzu, die diesen Filter anstelle der standardmäßigen übereinstimmenden Gewichtungen verwenden.

3. Überschreiben Sie den übereinstimmenden Algorithmus mit Ihrer aktualisierten Version:

   PUT /mdm/v1/algorithms/{record_type}
   

Beispiel 1: Verwenden Sie die folgenden Beispielnutzdaten, um den maximalen Abstand auf 9 festzulegen und angepasste Gewichtungen und Strafen für verschiedene Kombinationen von Eingaben und Distanzen wie folgt anzugeben: -input1 distance=0, input2 distance=0, input3 distance = [0,1,2,3,4,5,6,7,8, 9]. In diesem Fall ergibt die Distanzkombination [0,0, 3] eine Punktzahl von 15.

• input1 distance=1, input2 distance=0, input3 distance = [0,1,2,3,4,5,6,7,8, 9]. In diesem Fall ergibt die Distanzkombination [1,0, 9] einen penalisierten Score von -30.

{
  "false_positive_filter": {
    "filter_recipe": [
      {
        "method": "FilterMethod.MultiDimFilter",
        "max_distance": 9,
        "inputs": [1,2,3],
        "label": "Multi-Dim filter",
        "weights": [
          {
            "distances": [0,0],
            "values": [0,-5,-10,-15,-20,-25,-30,-30,-30,-30]
          },
          {
            "distances": [1,0],
            "values": [0,-5,-10,-15,-20,-25,-30,-30,-30,-30]
          }
        ]
      }
    ],
    "inputs": [
      {"compare_method": "address_compare"},
      {"compare_method": "date_compare"},
      {"compare_method": "pername_compare"}
    ],
    "label": "false_positive_filter"
  }
}

Beispiel 2: Sie können Ihre eigenen angepassten Vergleichsmethoden hinzufügen und so konfigurieren, dass sie nicht zur Gesamtübereinstimmungsquote beitragen, wie in den folgenden Beispielnutzdaten dargestellt. In diesem Fall werden die benutzerdefinierten Methoden nur vom mehrdimensionalen Vergleichsfilter verwendet.

Im folgenden Beispiel setzt der Filter given_name_only_compare overall_score_contribution auf false.

{
  "given_name_only_compare": {
    "methods": [
      {
        "inputs": [
          {
            "attributes": [
              "legal_name"
            ],
            "fields": [
              "given_name"
            ]
          }
        ],
        "compare_recipe": [
          {
            "comparison_resource": "person_person_entity_person_compare_spec_name",
            "method": "CompareMethod.NameCompare",
            "inputs": [
              1
            ],
            "label": "Given Name Only Match",
            "fields": [
              "given_name"
            ]
          } 
        ]
      }
    ],
    "overall_score_contribution" : false,
    "label": "Given Name Only Compare",
    "weights": [1,0,0,0,0,0,0,0,0,0,0]
  }
}

JSON-Beispielobjekt für Schwellenwerte auf Quellenebene

Im folgenden JSON-Beispiel sehen Sie ein Snippet der Konfigurationsdatei für übereinstimmende Algorithmen, die Schwellenwerte auf Quellenebene für die Personenentität definiert.

"person_entity":{

  "auto_link_threshold":150,

  "clerical_review_threshold":120,

  "source_level_thresholds": {

       "src0": {

            "default":[165, 150],

            “srcxsrc” : {

                  "src0": [null, null],    

                  "src1": [160, 130], 

                  "src2": [123, 111], 

                  "src3": [null, null]

           }

       },

       "src1": {

            “srcxsrc” : {

                  "src1": [160, 130], 

                  "src2": [123, 111], 

                  "src3": [136, 120], 

                  "src4": [120, null]

           }

       }

    }

}

Erläuterungen zum vorherigen Beispiel:

• Der standardmäßige globale Autolink-Schwellenwert ist 150.
• Der Standardschwellenwert für globale manuelle Überprüfung ist 120.
• src0, src1, src2, src3und src4 sind Beispiele für Quellennamen.
• Innerhalb des Objekts source_level_thresholds sind Quellenschwellenwerte für zwei Quellen definiert: src0 und src1.

Allgemeine Anleitung:

• Unter jeder Quelle im Objekt source_level_thresholds können Sie optional die standardmäßigen globalen Übereinstimmungsschwellenwerte für diese Quelle überschreiben, indem Sie den Parameter default verwenden.
• Unter jeder Quelle können Sie ein Array von Quellen-zu-Quelle-übereinstimmenden Schwellenwerten unter der Eigenschaft srcxsrc definieren. Diese Schwellenwerte werden beim Vergleichen von Datensätzen aus den aufgelisteten Quellen verwendet.
• Innerhalb des Arrays haben die Werte in eckigen Klammern das folgende Format: [autolink-threshold, clerical-threshold]. [136, 120] gibt also an, dass für den angegebenen Vergleich von Quelle zu Quelle der Schwellenwert für Autolink 136 und der Schwellenwert für die manuelle Überprüfung 120 beträgt.
• Wenn beide Werte angegeben werden, sollte der Schwellenwert für autolink immer höher sein als der Schwellenwert für die manuelle Überprüfung.
• Wenn der Wert nullangegeben wird, wird dieser Schwellenwert inaktiviert.
• Wenn beide Werte in einem Paar als nullangegeben werden, ist der Abgleich und die Verknüpfung zwischen den beiden Quellen inaktiviert.
• Wenn beide Werte null sind und die beiden angegebenen Quellen identisch sind, wird die Quelle nur als Referenzquelle betrachtet. Beispiel: src0 ist die Referenzquelle für src0 im vorherigen JSON-Beispiel. Jede Entität, die nur Datensätze aus Referenzquellen enthält, ist nicht funktionsfähig.

Schwellenwertergebnisse auf Quellenebene bewerten

Wenn Sie Schwellenwerte auf Quellenebene in Ihrem angepassten Abgleichalgorithmus konfiguriert haben, verwenden Sie die folgende REST-API-Methode, um Scoring-Details abzurufen.

POST /v1/compare/?details=debug&crn={CRN}&entity_type={entity_type}&record_type={record_type}

Verwenden Sie die von dieser Methode zurückgegebenen Informationen, um die Ergebnisse zu bewerten und, falls erforderlich, die Schwellenwertkonfiguration auf Quellenebene zu optimieren.

Schwellenwerte auf Quellenebene und Paarprüfungen

Schwellenwerte auf Quellenebene können überschrieben werden, wenn Sie die Optimierungsempfehlungen akzeptieren, die durch Paarprüfungen generiert wurden. Wenn Ihr Unternehmen die Paarprüfungsfunktion IBM Match 360 zum Generieren intelligenter Optimierungsempfehlungen verwendet oder verwenden will, ist es am besten, die Paarprüfungsaufgaben abzuschließen, bevor Sie Ihre Schwellenwerte auf Quellenebene definieren.

Wenn Sie bereits Schwellenwerte auf Quellenebene in angepassten Abgleichalgorithmen definiert haben, inaktivieren Sie die Funktion für Schwellenwerte auf Quellenebene, indem Sie die CR IBM Match 360 (mdm-cr) bearbeiten. Verwenden Sie den folgenden Befehl, um Schwellenwerte auf Quellenebene in der CR zu inaktivieren:

oc patch mdm mdm-cr --type=merge -p '{"spec": {"mdm_matching": {"features": {"source_level_thresholds": {"enabled": false}}}}}' 

Es kann 20-30 Minuten dauern, bis sich die Änderungsanforderung nach einer Änderung abgleicht. Die Pods des mdm-matching -Service müssen ebenfalls erneut gestartet werden, um die aktualisierte Konfiguration anzuwenden. Bei Bedarf müssen diese Pods manuell neu gestartet werden.

Führen Sie den folgenden Befehl aus, um Schwellenwerte auf Quellenebene erneut zu aktivieren:

oc patch mdm mdm-cr --type=merge -p '{"spec": {"mdm_matching": {"features": {"source_level_thresholds": {"enabled": true}}}}}'