API de Similaridade Vetorial Escalável é uma API de correspondência aproximada e deduplicação em alta velocidade, construída para dados do mundo real e bagunçados. Ela ajuda a identificar registros quase duplicados e reconciliar entidades, mesmo quando os valores não correspondem exatamente—erros de digitação, diferenças de maiúsculas e minúsculas, pontuação faltando, problemas de espaçamento, abreviações e mudanças menores na ordem das palavras.
Em vez de construir e ajustar seu próprio pipeline de correspondência aproximada, você envia suas strings (ou registros) para a API e recebe de volta correspondências pontuadas por similaridade em que você pode confiar. As saídas típicas incluem pares correspondentes (por exemplo, “Apple” ↔ “apple inc.”), pontuações de similaridade e resultados estruturados que são fáceis de integrar em fluxos de trabalho de limpeza de dados, CRMs, jobs de ETL e pipelines de análise.
Casos de uso comuns:
Deduplicar listas: encontrar duplicatas dentro de um conjunto de dados (correspondência total) e retornar pares provavelmente duplicados.
Reconciliação contra uma lista mestre: combinar uma lista recebida a um conjunto canônico (lista para mestre).
Higiene de dados de CRM e clientes: limpar leads/contas/empresas onde duplicatas prejudicam relatórios e abordagens.
Resolução de entidades e vinculação de registros: conectar referências à mesma entidade do mundo real em diferentes fontes.
Por que as equipes usam:
Funciona com texto bagunçado desde o primeiro uso (sem regras manuais para cada caso especial)
Pontuações de similaridade para classificação e limites (você escolhe quão rigoroso ser)
Construído para escala e automação (projetado para rodar em pipelines, não apenas scripts isolados)
Dedupe é um endpoint de comparação difusa que permite encontrar duplicatas dentro de uma única lista de strings. Em vez de comparar apenas duas entradas por chamada de API, você envia um conjunto de dados e ele retorna pares semelhantes e/ou grupos deduplicados em todo o conjunto.
Por que você usaria
Aceleração massiva: tipicamente ~300× a 1.000× mais rápido do que abordagens “regulares” que as pessoas tentam primeiro (comparações paritárias, pontuadores difusos em loop, etc.) uma vez que você vai além de listas pequenas.
Limpeza opcional embutida: você pode ativar a limpeza de texto comum (conversão para minúsculas, remoção de pontuação, ordenação de tokens). Isso economiza horas (ou dias) de desenvolvimento + manutenção contínua.
Sufixos de empresas tratados automaticamente: terminações comuns como “Inc”, “LLC”, “Ltd”, etc. são removidas para que você combine com o nome real.
Benchmarks: similarity-api/blog/speed-benchmarks (1M registros em ~7 minutos; mais rápido do que bibliotecas comuns de correspondência difusa do Python).
Limites rígidos no Zyla
Máximo de 1.000 strings por solicitação (aplicado).
Precisa de maior / ilimitado?
Parâmetros (requisição POST)
data (obrigatório)
Uma string contendo um array JSON de strings.
Exemplo de valor para data:
["Acme Inc","ACME LLC","Globex GmbH"]
Mais alto = correspondência mais rigorosa (menos pares). Típico: 0.80–0.90 para deduplicação de empresas.
Remove diferenças de pontuação (por exemplo, “A.C.M.E.” vs “ACME”).
Torna a correspondência insensível a maiúsculas e minúsculas.
use_token_sort (opcional, verdadeiro/falso, padrão falso)
Ajuda quando a ordem das palavras muda (por exemplo, “Bank of America” vs “America Bank of”).
output_format (opcional, padrão string_pairs)
Este endpoint pode retornar dados em vários formatos. Por favor, selecione um dos seguintes:
string_pairs:
[string_A, string_B, similarity]index_pairs:
string_pairs, mas retorna posições na sua lista de entrada em vez das strings.[index_A, index_B, similarity]deduped_strings:
deduped_indices:
deduped_strings, mas retorna os índices dos itens mantidos.membership_map:
[0,0,0,3,3] significa que as linhas 0/1/2 são um grupo (rep=0) e as linhas 3/4 são outro (rep=3).row_annotations:
Retorna um objeto por linha de entrada com uma explicação de a que pertence (linha rep + similaridade).
Use quando: você quiser um resultado legível por humanos, por linha, para depuração ou exibição na interface.
top_k (opcional, inteiro ou "todos", padrão "todos")
todos = encontrar todas as correspondências acima do limite.
Ou um inteiro (por exemplo, 50) para limitar as correspondências por linha (mais rápido, menos resultados).
Exemplo de solicitação em python
import requests, json
API_KEY = "SUA_CHAVE_ZYLA"
URL = "API_URL/dedupe"
data_list = ["Microsoft","Micsrosoft","Apple Inc","Apple","Google LLC","9oogle"]
params = {
"data": json.dumps(data_list),
"similarity_threshold": "0.75",
"remove_punctuation": "true",
"to_lowercase": "true",
"use_token_sort": "false",
"output_format": "string_pairs",
"top_k": "all"
}
headers = {"Authorization": f"Bearer {API_KEY}"}
r = requests.post(URL, headers=headers, params=params, timeout=60)
print(r.status_code)
print(r.json())
Dedupe - Recursos do endpoint
| Objeto | Descrição |
|---|---|
data |
[Obrigatório] JSON array of strings to deduplicate (max 1000). Example: ["a","b","c"] |
similarity_threshold |
Opcional Similarity cutoff from 0 to 1. Higher values are stricter (fewer matches). Default is 0.75. |
remove_punctuation |
Opcional If true, punctuation is removed before matching. Default is true. |
to_lowercase |
Opcional If true, strings are lowercased before matching. Default is true. |
use_token_sort |
Opcional If true, tokens in each string are sorted before matching. Useful when word order varies. Default is false. |
output_format |
Opcional Default: string_pairs Allowed values (and what each means): index_pairs List of matches as [i, j, score] where i and j are indices in the input list. string_pairs List of matches as [string_i, string_j, score] using original strings. deduped_strings List of strings with duplicates removed (one representative per group). deduped_indices List of indices representing the deduplicated set (one representative per group). membership_map Array of length N where entry i is the representative index for the group of data[i]. row_annotations Array of objects (one per input row) with fields: index, original_string, rep_index, rep_string, similarity_to_rep. |
top_k |
Opcional Limits how many neighbors are returned per input string. Use all for full dedupe, or a positive integer for top matches per row. |
{"status":"success","response_data":[["Apple","appl!e",1.0]]}
curl --location --request POST 'https://zylalabs.com/api/11919/scalable+vector+similarity+api/22656/dedupe?data=["Apple", "appl!e"]' --header 'Authorization: Bearer YOUR_API_KEY'
| Cabeçalho | Descrição |
|---|---|
Authorization
|
[Obrigatório] Deve ser Bearer access_key. Veja "Sua chave de acesso à API" acima quando você estiver inscrito. |
Sem compromisso de longo prazo. Faça upgrade, downgrade ou cancele a qualquer momento.
O endpoint Dedupe retorna um objeto JSON contendo pares de strings correspondentes, pontuações de similaridade e resultados deduplicados opcionais A saída pode ser formatada como pares de strings, pares de índices ou strings deduplicadas, dependendo da configuração especificada
Campos principais nos dados de resposta incluem "status" (indicando sucesso ou erro) e "response_data", que contém os resultados formatados de acordo com a solicitação do usuário, como pares correspondentes ou strings deduplicadas
Os usuários podem personalizar solicitações ajustando parâmetros no objeto "config", como "similarity_threshold" para a rigorosidade da correspondência, "remove_punctuation" para pré-processamento e "output_format" para escolher a estrutura de resultado desejada
Os dados da resposta estão organizados como um array de resultados onde cada entrada corresponde a uma correspondência ou string deduplicada Dependendo do formato de saída as entradas podem incluir strings originais índices e pontuações de similaridade facilitando a integração em fluxos de trabalho
Casos de uso típicos incluem a deduplicação de listas de clientes a reconciliação de registros com uma lista mestre a limpeza de dados de CRM e a realização de resolução de entidades em diferentes fontes de dados para garantir a integridade e precisão dos dados
A precisão dos dados é mantida através de avançados algoritmos de correspondência difusa que levam em conta problemas comuns de dados como erros de digitação e diferenças de maiúsculas e minúsculas A API é projetada para lidar com dados desordenados de forma eficaz garantindo resultados de correspondência confiáveis
Os valores de parâmetros aceitos incluem "similarity_threshold" (0 a 1), "remove_punctuation" (booleano), "to_lowercase" (booleano), "use_token_sort" (booleano) e "top_k" (inteiro ou "todos"). Esses parâmetros permitem que os usuários personalizem o processo de correspondência de acordo com suas necessidades específicas
Se o endpoint Dedupe retornar resultados parciais ou vazios os usuários devem verificar os dados de entrada em busca de problemas de qualidade como duplicatas excessivas ou limiares de similaridade muito baixos Ajustar o "similarity_threshold" ou revisar a lista de entrada pode ajudar a melhorar os resultados
Nível de serviço:
100%
Tempo de resposta:
713ms
Nível de serviço:
86%
Tempo de resposta:
2.233ms
Nível de serviço:
100%
Tempo de resposta:
910ms
Nível de serviço:
100%
Tempo de resposta:
704ms
Nível de serviço:
100%
Tempo de resposta:
1.015ms
Nível de serviço:
100%
Tempo de resposta:
393ms
Nível de serviço:
100%
Tempo de resposta:
3.618ms
Nível de serviço:
100%
Tempo de resposta:
0ms
Nível de serviço:
100%
Tempo de resposta:
95ms
Nível de serviço:
50%
Tempo de resposta:
337ms
Nível de serviço:
100%
Tempo de resposta:
16.572ms
Nível de serviço:
100%
Tempo de resposta:
15ms
Nível de serviço:
100%
Tempo de resposta:
12.779ms
Nível de serviço:
100%
Tempo de resposta:
15ms
Nível de serviço:
100%
Tempo de resposta:
18ms
Nível de serviço:
100%
Tempo de resposta:
2.184ms
Nível de serviço:
100%
Tempo de resposta:
2.260ms
Nível de serviço:
100%
Tempo de resposta:
2.533ms
Nível de serviço:
100%
Tempo de resposta:
17ms
Nível de serviço:
100%
Tempo de resposta:
3.670ms