版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著網(wǎng)絡(luò)技術(shù)的不斷發(fā)展和數(shù)據(jù)存儲(chǔ)技術(shù)的廣泛應(yīng)用,每天都有大量的數(shù)據(jù)產(chǎn)生。在這大量的數(shù)據(jù)中,存在著許許多多的錯(cuò)誤數(shù)據(jù),尤其是在數(shù)據(jù)庫(kù)合并過(guò)程中,產(chǎn)生了大量的相似重復(fù)數(shù)據(jù),嚴(yán)重影響著數(shù)據(jù)質(zhì)量和數(shù)據(jù)使用率。對(duì)相似重復(fù)數(shù)據(jù)的數(shù)據(jù)清洗任務(wù)已經(jīng)成為各大企業(yè)亟待解決的問(wèn)題,對(duì)提高數(shù)據(jù)質(zhì)量有著很大的現(xiàn)實(shí)意義。
本文主要研究相似重復(fù)記錄的數(shù)據(jù)清洗技術(shù),首先對(duì)相似重復(fù)記錄的屬性結(jié)構(gòu)以及產(chǎn)生原因進(jìn)行分析,進(jìn)而采用N-Gram算法,對(duì)數(shù)據(jù)記錄進(jìn)行計(jì)算
2、,從而得到能夠代表每條記錄屬性的鍵值--N-Gram值。然后運(yùn)用排列合并的清洗思想,根據(jù)得到的鍵值,對(duì)數(shù)據(jù)庫(kù)中的數(shù)據(jù)記錄進(jìn)行排序處理,得到有序的數(shù)據(jù)庫(kù),然后對(duì)其進(jìn)行相似度計(jì)算。為了提高相似度匹配的準(zhǔn)確率和效率,利用滑動(dòng)窗口的算法思想,給待清洗數(shù)據(jù)一個(gè)固定大小的窗口,對(duì)窗口內(nèi)的數(shù)據(jù)記錄,通過(guò)遞歸的字段匹配算法,來(lái)計(jì)算數(shù)據(jù)記錄之間的相似度,不僅能夠有效地識(shí)別出字段缺失、順序顛倒和名詞縮寫(xiě)的相似重復(fù)記錄,提高數(shù)據(jù)清洗的準(zhǔn)確性,還能夠減少數(shù)據(jù)記
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 海量數(shù)據(jù)相似重復(fù)記錄檢測(cè)的研究.pdf
- 基于CURE算法的相似重復(fù)記錄檢測(cè)技術(shù)研究.pdf
- 基于DBSCAN算法的相似重復(fù)記錄檢測(cè)方法研究.pdf
- 大數(shù)據(jù)環(huán)境下文本數(shù)據(jù)相似重復(fù)記錄檢測(cè)方法研究.pdf
- 重復(fù)記錄清洗技術(shù)及其在信息管理系統(tǒng)中的應(yīng)用.pdf
- 基于聚類樹(shù)的相似重復(fù)記錄檢測(cè)算法改進(jìn)研究.pdf
- 數(shù)據(jù)挖掘中的重復(fù)記錄檢測(cè)算法研究.pdf
- 重復(fù)記錄檢測(cè)綜述
- 基于CSSN算法的重復(fù)記錄檢測(cè)研究.pdf
- 多數(shù)據(jù)源環(huán)境下重復(fù)記錄檢測(cè)問(wèn)題的研究.pdf
- 基于可變滑動(dòng)窗口的相似重復(fù)記錄檢測(cè)算法研究與設(shè)計(jì).pdf
- Deep Web數(shù)據(jù)源下重復(fù)記錄識(shí)別模型的研究.pdf
- 基于相似重復(fù)記錄合并算法的蔬菜溯源展示系統(tǒng)研究與實(shí)現(xiàn).pdf
- 刪除表中重復(fù)記錄
- 面向XML相似性重復(fù)數(shù)據(jù)的清洗方法研究.pdf
- 在sql中刪除重復(fù)記錄(多種方法)
- 在sql server中快速刪除重復(fù)記錄(多圖)
- 基于規(guī)則的信息系統(tǒng)環(huán)境下重復(fù)記錄清理的實(shí)現(xiàn).pdf
- 不確定數(shù)據(jù)的重復(fù)檢測(cè)及清洗研究.pdf
- 數(shù)據(jù)備份中基于相似性的重復(fù)數(shù)據(jù)刪除的研究.pdf
評(píng)論
0/150
提交評(píng)論