Matching & Scoring

Engine

apps/api/src/services/matching/engines/deterministicEngine.ts

• Nutzt NormalizationService zur Vorverarbeitung.
• Berechnet Ähnlichkeiten via similarity() (Damerau-Levenshtein) plus Spezialbehandlung für Autor:innen, Daten, Container-Titel, Volume/Issue und Seiten.
• Aggregiert Feld-Scores (0–100) anhand der aktivierten Gewichte.

Normalisierung (Reihenfolge)

Quelle: NormalizationService.normalize:

1. normalize-typography – Typografie (Smart Quotes, Gedankenstriche, Ellipse).
2. normalize-characters – korrigiert defekte Zeichen.
3. normalize-urls – via normalize-url (Tracking-Parameter entfernen, Query sortieren).
4. normalize-identifiers – bereinigt DOI-/URL-Präfixe.
5. normalize-umlauts – z. B. ä → ae, ß → ss.
6. normalize-accents – Unicode-Dekomposition, entfernt Diakritika.
7. normalize-unicode – NFKC, entfernt Zero-Width-Zeichen.
8. normalize-punctuation – reduziert auf Buchstaben/Zahlen/Leerzeichen.
9. normalize-whitespace – Trim, Mehrfach-Leerzeichen entfernen.
10. normalize-lowercase – Kleinschreibung.

Nur aktivierte Regeln werden angewendet.

Feld-Heuristiken

• Autor:innen (match-author-initials) – Familiennamen (exakt oder ≥0,9) und Initialen per tokenizeGiven/isSubsequence.
• Datum (match-structured-dates) – CSL-Daten (date-parts, raw, literal) mit Gewichtung year 0,8, month 0,15, day 0,05.
• Volume/Issue (match-volume-issue-numeric) – extrahiert Zahlen und vergleicht das erste Vorkommen.
• Seiten (match-page-range-overlap) – erkennt Bereiche, erweitert Kurzschreibungen („123-8“) und berechnet das Schnittmenge/Vereinigung-Verhältnis. Einzelseite vs. Bereich → 1,0, wenn enthalten.
• Container-Titel (match-container-title-variants) – entfernt Akronyme in Klammern, testet Varianten, nutzt Damerau-Levenshtein.

Score-Berechnung

overall = sum(fieldScore * weight) / sum(weight)

• fieldScore liegt bereits zwischen 0 und 100.
• Felder ohne Inhalte werden ignoriert (MetadataComparator).
• Ergebnisse werden absteigend sortiert (MatchingCoordinator).

Beispiel

• title: 100 %, Gewicht 30
• author: 92 %, Gewicht 25
• issued: 85 %, Gewicht 15
• container-title: 70 %, Gewicht 15
• DOI: 100 %, Gewicht 10
• volume: 0 %, Gewicht 3
• page: 50 %, Gewicht 2

overall ≈ 0.3*100 + 0.25*92 + 0.15*85 + 0.15*70 + 0.1*100 + 0.03*0 + 0.02*50 = 83,7 → 84

UI-Schwellen & Farben

Konfiguriert in settings.matching.matchingConfig.displayThresholds und umgesetzt durch getScoreColor.

• score >= 85 → success (grün, starker Treffer).
• 50 <= score < 85 → warning (orange, möglicher Treffer).
• < 50 → error (rot).
• score === 100 → ebenfalls success (hervorgehobener Chip).

Early Termination

• settings.matching.matchingConfig.earlyTermination Standard { enabled: true, threshold: 95 }.
• useVerification.performVerificationWithEarlyTermination:
  1. Aktivierte Datenbanken in Prioritätsreihenfolge (settings.search.databases).
  2. Nach jeder Suche Score prüfen.
  3. Bei Score ≥ Threshold weitere Datenbanken überspringen.
  4. Ohne Early Termination werden alle Datenbanken abgefragt und abschließend erneut gematcht.

useVerificationProgressStore verfolgt Phasen (searching, matching, done, error) pro Referenz.

TODOs

• TODO: Dokumentieren, wie alternative Gewichtsschemata (strict, balanced, custom) eingesetzt werden, sobald verfügbar.
• TODO: Beispiele für individuelle Normalisierungsprofile (z. B. „nur Titel + DOI“) ergänzen.