Η παρούσα εργασία εξετάζει το πρόβλημα της αντιστοίχισης εγγραφών (Entity Resolution), μια διαδικασία απαραίτητη για την ενοποίηση δεδομένων που προέρχονται από διαφορετικές πηγές. Στόχος είναι ο εντοπισμός εγγραφών που, παρά τις διαφορές στην περιγραφή τους, αναφέρονται στο ίδιο αντικείμενο. Για τον σκοπό αυτό, χρησιμοποιήθηκαν σύγχρονα γλωσσικά μοντέλα βαθιάς μάθησης (Transformers), τα οποία έχουν την ικανότητα να κατανοούν τη σημασία των λέξεων και όχι μόνο τη σύνταξή τους. Η μελέτη εστιάζει στη δυνατότητα ενός μοντέλου να εκπαιδεύεται σε ένα πεδίο δεδομένων και στη συνέχεια να προσαρμόζεται σε νέα, διαφορετικά πεδία (Domain Adaptation). Συγκεκριμένα, η εκπαίδευση ξεκίνησε από ακαδημαϊκές δημοσιεύσεις και επεκτάθηκε σε περιγραφές προϊόντων από μεγάλες πλατφόρμες ηλεκτρονικού εμπορίου. Κατά τη διαδικασία αυτή, εφαρμόστηκαν τεχνικές για τη διατήρηση της αρχικής γνώσης του μοντέλου και την αντιμετώπιση της ανισορροπίας των δεδομένων, καθώς τα ζεύγη που ταιριάζουν είναι συνήθως πολύ λιγότερα από αυτά που διαφέρουν. Τα πειραματικά αποτελέσματα έδειξαν ότι τα μεγάλα γλωσσικά μοντέλα επιτυγχάνουν εξαιρετική ακρίβεια, ακόμη και σε "θορυβώδη" δεδομένα με ελλιπείς πληροφορίες. Παράλληλα, εξετάστηκαν μικρότερα και πιο ευέλικτα μοντέλα, τα οποία αποδείχθηκαν ιδιαίτερα αποτελεσματικά, προσφέροντας μια εξαιρετική ισορροπία μεταξύ ταχύτητας και απόδοσης. Η εργασία καταλήγει στο συμπέρασμα ότι η χρήση προηγμένων γλωσσικών μοντέλων μπορεί να αυτοματοποιήσει την ενοποίηση πληροφοριών με υψηλή αξιοπιστία, μειώνοντας την ανάγκη για χειροκίνητους κανόνες.

This thesis investigates the problem of Entity Resolution, a fundamental process for

integrating data from diverse sources. The objective is to identify records that refer to the

same real-world object, despite variations in their descriptions. To achieve this, modern

deep learning language models (Transformers) were employed, which are capable of

understanding the semantic meaning of text rather than relying solely on syntactic patterns.

The study focuses on the ability of a model to be trained in one data domain and

subsequently adapt to new, different domains (Domain Adaptation). Specifically, the

training began with academic publications and was extended to product descriptions from

major e-commerce platforms. Throughout this process, specific techniques were applied to

preserve the model's initial knowledge and to address data imbalance, as matching pairs are

typically much fewer than non-matching ones.

Experimental results demonstrated that large-scale language models achieve excellent

accuracy, even when dealing with "noisy" data containing incomplete information.

Furthermore, smaller and more flexible models were evaluated, proving to be highly

efficient by offering an excellent balance between processing speed and performance. The

thesis concludes that the use of advanced language models can reliably automate

information integration, significantly reducing the need for manual rules and human

intervention.