不確定和時(shí)態(tài)數(shù)據(jù)集上實(shí)體識別技術(shù)研究.pdf

1、在數(shù)據(jù)管理中，數(shù)據(jù)質(zhì)量問題是最重要的議題之一。傳統(tǒng)數(shù)據(jù)庫著眼于數(shù)據(jù)的量的管理，即支持大量數(shù)據(jù)的創(chuàng)建、維護(hù)和檢索。但是現(xiàn)實(shí)世界中的數(shù)據(jù)存在著諸多質(zhì)量問題：不一致、重復(fù)、不精確、不完整或者過時(shí)。劣質(zhì)數(shù)據(jù)可對社會生活中的諸多環(huán)節(jié)產(chǎn)生嚴(yán)重的后果。因此數(shù)據(jù)質(zhì)量管理在信息化社會中具有巨大的應(yīng)用需求和潛質(zhì)。實(shí)體識別技術(shù)是數(shù)據(jù)質(zhì)量管理技術(shù)中的重要環(huán)節(jié)。實(shí)體識別技術(shù)致力于發(fā)現(xiàn)來源于不同數(shù)據(jù)源的同一現(xiàn)實(shí)世界實(shí)體的不同表示形式。實(shí)體識別的結(jié)果有助于解決上述數(shù)

2、據(jù)質(zhì)量問題。因此實(shí)體識別技術(shù)對于數(shù)據(jù)質(zhì)量管理過程具有重要的基礎(chǔ)性作用。本文討論劣質(zhì)數(shù)據(jù)集上的實(shí)體識別問題，提出了一系列算法以解決具有不精確和過時(shí)等問題的劣質(zhì)數(shù)據(jù)集上的實(shí)體識別問題。
　　本文是第一篇提出針對含有不精確數(shù)據(jù)的不確定數(shù)據(jù)集進(jìn)行實(shí)體識別研究的文章，本文給出了概率相似度測度以及基于此測度的相似度鏈接和聚類算法。在相似度鏈接算法中，本文提出融合前綴過濾算法以壓縮計(jì)算空間的優(yōu)化算法。實(shí)驗(yàn)表明，本文所提出的算法可以有效高效的解決

3、不確定數(shù)據(jù)集上的實(shí)體識別問題。
　　針對含有過時(shí)數(shù)據(jù)的時(shí)態(tài)數(shù)據(jù)集上的實(shí)體識別問題，本文給出了基于規(guī)則的解決方案，本文也是第一篇給出時(shí)間戳不可用的情況下時(shí)態(tài)數(shù)據(jù)集上的實(shí)體識別算法的文章。針對這一問題，本文提出在相似度鏈接算法中首先利用數(shù)據(jù)時(shí)序規(guī)則(data currency rules)以確定時(shí)態(tài)元組的相對時(shí)序順序，然后在時(shí)序順序的基礎(chǔ)上提出元組屬性的不穩(wěn)定性特性以對時(shí)態(tài)元組的屬性的進(jìn)化特性進(jìn)行建模。結(jié)果顯示，在相似度鏈接算法中融入