文章核心总结与翻译一、主要内容该研究聚焦于实体匹配（Entity Matching, EM）任务，针对现有大语言模型（LLM）基于单步提示的方法缺乏结构化推理、可解释性不足的问题，提出了基于结构化多步推理的LLM实体匹配框架，主要内容如下：研究背景：实体匹配是数据清洗与集成的基础任务，现有方法包括传统规则/机器学习、深度学习（如BERT等预训练语言模型微调）和LLM提示工程，但LLM相关方法多依赖单步提示，未充分利用其推理能力。核心框架：三步推理框架：将匹配过程分解为三个显式阶段，分别是识别记录间匹配/不匹配令牌、确定对匹配决策最具影响的属性、最终预测记录是否指向同一实体，提供单提示（所有步骤封装于一个提示）和多提示（各步骤通过连续提示链式执行）两种实现方式。辩论式推理策略：引导LLM生成支持和反对匹配的双方论据，再综合双方观点做出最终决策，以提升决策稳健性。实验验证：在6个真实世界基准数据集（涵盖产品、引文、电子产品等领域）上进行零样本和两样本学习实验，以F1分数为主要效果指标，以令牌数量衡量LLM成本。结果显示，三步推理框架在4个数据集上优于基线方法，多提示方式整体性能略优于单提示，但令牌消耗显著更高；辩论式策略性能较差，未具可行性；少样本场景下推理策略的优势较零样本场景有所减弱。二、创新点首次将结构化多步