기존 개체 해소(entity resolution)는 레코드 쌍의 유사도 비교에 의존해, 여러 사람이 함께 주소를 옮기는 '가구 이동' 같은 간접 관계를 포착하지 못한다. 형식이 뒤섞이고 잡음·중복이 많으며 안정적 식별자가 없는 이름-주소 데이터에서는 더 어렵다. 연구진은 프롬프트 기반 LLM 개체명 인식으로 전처리 없이 이름과 주소를 추출하고, 의미 임베딩으로 유사도를 계산한 뒤, 그래프 추론으로 집단 단위 이동 패턴을 추론하는 프레임워크를 제안했다. Synthetic Occupancy Generator로 만든 SPX 벤치마크(S8~S12) 실험에서 간접 가구 이동 증거를 반영하자 정밀도를 높게 유지하면서 재현율이 8~15% 올랐고, 강력한 쌍 비교 베이스라인 대비 F1이 6~8% 개선됐다.

• •쌍 단위 유사도 비교만으로는 가구 단위 이동이 만드는 간접적 연결을 포착할 수 없다는 문제 제기다.
• •프롬프트 기반 LLM NER로 비정형 이름·주소를 광범위한 전처리 없이 추출한다.
• •의미 임베딩 유사도와 그래프 추론을 결합해 집단 수준의 이동 패턴을 추론한다.
• •SPX 벤치마크 S8~S12에서 재현율이 8~15% 상승했다.
• •정밀도를 유지한 채 쌍 비교 베이스라인 대비 F1이 6~8% 개선됐다.