1. 课程导论：实体解析回放对比的概念、评估的重要性、课程目标与适用人群

1.1 什么是实体解析回放对比？

实体解析（Entity Resolution, ER）是数据质量管理中的核心环节，旨在识别并合并来自不同数据源或同一数据源内指向同一真实世界实体的记录。在实际生产环境中，ER 规则与模型的迭代优化是一个持续过程。为了验证新规则是否优于旧规则，或诊断某次合并操作是否正确，我们需要一种能够“回放”历史解析过程并进行“对比”分析的能力。

实体解析回放对比，即通过记录实体解析过程中的关键状态（如记录分组、相似度评分、合并决策、冲突解决等），并在后续时间点重新加载这些状态，与新的解析结果进行逐项比对，从而量化评估规则变更、模型升级或数据漂移带来的影响。

1.2 评估的重要性：为什么需要回放对比？

在数据治理与实体解析实践中，缺乏有效的回放对比机制会导致以下典型问题：

• 回归风险不可控： 修改一条匹配规则，可能修复了 A 场景的误合并，却破坏了 B 场景的正确分组，且难以快速发现。
• 模型迭代无基准： 无法客观回答“新模型比旧模型好多少？”——缺乏统一的评估基准线。
• 审计与合规缺失： 在金融、医疗等监管严格的领域，无法追溯某次合并决策的历史依据。
• 调试效率低下： 当出现合并错误时，需要手动翻查日志，耗时且容易遗漏。

1.3 课程目标

本课程旨在帮助学员系统掌握实体解析回放对比的评估方法论与工程实践。完成本课程后，学员将能够：

1. 理解核心概念： 掌握回放对比的术语、数据模型与评估框架。
2. 设计评估方案： 针对不同业务场景（如客户主数据、产品目录、医疗记录）设计合理的对比策略。
3. 构建回放系统： 了解快照存储、状态恢复、差异计算等关键模块的实现原理。
4. 解读评估报告： 熟练使用精确率、召回率、F1 值、合并/分裂错误率等指标分析模型表现。
5. 驱动持续优化： 基于对比结果制定规则调优优先级，形成数据质量改进闭环。

1.4 适用人群

本课程适合以下角色：

• 数据质量工程师： 负责实体解析规则配置与维护，需要量化评估规则变更效果。
• 数据架构师： 设计主数据管理（MDM）或客户数据平台（CDP）的解析与合并策略。
• 算法工程师： 开发基于机器学习或深度学习的实体解析模型，需要标准化的评估流程。
• 数据治理分析师： 关注数据血缘与审计追溯，确保实体解析过程合规透明。
• 技术管理者： 评估实体解析系统的投入产出比，制定数据质量改进路线图。

1.5 课程结构概览

本课程共分为 6 个模块，30 个章节，从基础概念到高级实战逐步深入：