Real-Time Enterprise Data Harmonization Using Graph Neural Networks for Cross-System Integration and Customer Intelligence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Enterprise organizations increasingly operate within highly distributed digital environments that integrate enterprise resource planning platforms, customer relationship management systems, human capital management solutions, cloud-native analytics stacks, and real-time streaming infrastructures. This architectural fragmentation introduces persistent challenges in achieving consistent, accurate, and continuously synchronized representations of enterprise entities and customer identities. This study proposes a novel framework for real-time enterprise data harmonization using graph neural networks to enable adaptive cross-system integration and scalable customer intelligence generation. The proposed approach models heterogeneous enterprise datasets as dynamic relational graphs, capturing both structural dependencies and evolving semantic relationships across operational systems. By embedding real-time ingestion pipelines, streaming graph construction, and iterative graph neural network inference, the framework supports continuous entity resolution, contextual attribute alignment, and trust-aware data consolidation. Empirical evaluation across representative enterprise integration scenarios demonstrates substantial improvements in harmonization precision, latency reduction, and downstream analytical enrichment when compared to traditional deterministic matching and probabilistic reconciliation techniques. Furthermore, the framework introduces a governance-oriented feedback loop that ensures traceability, auditability, and policy-conformant data propagation across interconnected systems. The findings establish graph neural networks as a foundational paradigm for next-generation enterprise integration architectures, enabling organizations to achieve resilient interoperability, enhanced customer intelligence, and sustained data quality in real-time operational contexts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,007 | 0,019 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle