Когда общего идентификатора нет, похожесть записей сначала создаёт кандидатов, а не готовое соответствие. Разделите поиск похожих строк, решение о связи и хранение принятого результата. Безопасный старт — две небольшие искусственные базы, где известны правильные пары и намеренно оставлена запись с двумя правдоподобными кандидатами.

Ожидаемый результат для неоднозначной записи — видимый конфликт или ручная проверка. Автоматически выбрать первого по сортировке и назвать его точным совпадением нельзя. Отдельно зафиксируйте допустимую кардинальность: одна запись слева может соответствовать одной или нескольким справа только по смыслу задачи, а не по удобству алгоритма.

Поиск кандидатов и принятие связей разделяются

  1. Подготовить сравнимые признаки без потери исходных значений.
  2. Сузить множество возможных пар понятным правилом.
  3. Оценить признаки сходства и противоречия.
  4. Принять, отклонить или отложить конкретную связь.
  5. Сохранить версию правила и основание принятого соответствия.

Сужение кандидатов, например по региону или типу объекта, экономит сравнения, но может скрыть настоящую пару, если этот признак в одной базе ошибочен. Поэтому качество проверяется не только среди найденных кандидатов. В контрольном наборе должны быть заведомые пары с расхождением именно по признаку отбора. Иначе хороший результат объясняется слишком лёгкой выборкой.

Сходство строки не является вероятностью общей сущности

Модуль pg_trgm PostgreSQL 18 оценивает сходство текста по триграммам; similarity возвращает значение от 0 до 1. Проверено 14 октября 2026 года. Этот показатель описывает текстовую близость, а не вероятность, что две организации или два человека тождественны. Порог принятия бизнес-связи нельзя объявлять достоверным процентом совпадения без собственной проверенной модели.

СитуацияРешениеПочему
Один сильный кандидат без противоречийПо согласованной политикеПризнаки и ограничения проверены
Два близких кандидатаНеоднозначностьМаксимальный score не снимает конфликт
Нет кандидатовСвязь пока отсутствуетНельзя выдумывать ID
Подтверждённое противоречиеОтклонить паруПохожее название не отменяет факт
Условная таблица соответствий:
left_source + left_id
right_source + right_id
state: proposed / confirmed / rejected / unresolved
rule_revision: <версия сопоставления>
evidence: <типы подтверждающих признаков>
review_revision: <решение проверки>

Принятую таблицу связей часто называют crosswalk. Она нужна, чтобы повторная загрузка не выполняла новое нечёткое угадывание для уже подтверждённой пары. При изменении входных признаков определите, когда связь пересматривается. Старое подтверждение не обязано автоматически переноситься на запись, которой источник переиспользовал идентификатор с другим смыслом.

Отрицательное решение тоже полезно сохранять. Иначе оператор будет снова получать ту же ошибочную пару после каждого запуска. При этом отклонение одной пары не означает запрет всех соседних кандидатов. Состояние решения привязано к конкретным идентичностям и известной версии данных, а не только к тексту названий.

Приёмка проверяет ложные связи и потерянные пары отдельно

  • Известная правильная пара находится среди кандидатов.
  • Похожие, но разные объекты остаются раздельными.
  • Два равноправных кандидата не выбираются случайно.
  • Повтор сохраняет подтверждённое соответствие.
  • Изменение источника вызывает предусмотренный пересмотр.

Для измерения качества сохраняйте способ составления контрольного набора и решение проверяющего. Универсальный порог для любой базы отсутствует: цена ошибочной связи может быть выше цены ручного разбора. Нельзя ускорять приёмку передачей реальных контактных баз во внешний сервис без соответствующего разрешения и оценки условий обработки.

Внедряйте сопоставление сначала как предложение связей без разрушительного объединения источников. Откат тогда отключает использование новой ревизии crosswalk, сохраняя исходные записи. Для технического обсуждения подготовьте искусственные пары, допустимую кардинальность и примеры противоречий. Такой набор полезнее обещания «сопоставить всё по имени», которое не определяет поведение на неоднозначных случаях.

Проверенные источники