版權(quán)說明: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),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、日益發(fā)展的網(wǎng)絡(luò)和飛速膨脹的信息給人們帶來了很多的便利,人們已經(jīng)開始習(xí)慣于上網(wǎng)發(fā)布信息,查找資料,網(wǎng)上科研。各種各樣的應(yīng)用系統(tǒng)和web服務(wù)出現(xiàn)了豐富的數(shù)據(jù)資源。為了能有效利用這些現(xiàn)有資源,必須進(jìn)行數(shù)據(jù)集成或者數(shù)據(jù)挖掘。但是,由于數(shù)據(jù)源種類繁多,而且信息更新快,很多數(shù)據(jù)由于各種原因得不得及時更新形成了大量過時數(shù)據(jù),加之各數(shù)據(jù)源的異構(gòu)性,使得集成數(shù)據(jù)中含有大量的“臟數(shù)據(jù)”,即存在數(shù)據(jù)質(zhì)量問題;主要表現(xiàn)為:拼寫問題、錄入錯誤、不合法值、空值、不
2、一致值、簡寫、同一實體的多種表示(重復(fù))、不遵循引用完整性等。由于不同數(shù)據(jù)庫之間對數(shù)據(jù)表示的差異或者因為錄入錯誤等人為的原因?qū)е录珊蟮臄?shù)據(jù)庫中同一實體對應(yīng)多條記錄,這些重復(fù)的記錄可能導(dǎo)致建立錯誤的數(shù)據(jù)挖掘模型,給后期數(shù)據(jù)的決策分析產(chǎn)生很大的影響。因此,判斷兩條記錄是否相似重復(fù)在數(shù)據(jù)集成、數(shù)據(jù)倉庫中很重要。實體統(tǒng)一(EntityResolution,ER)是用來判斷多條記錄是否指向相同的實體的問題,則上述的檢測這些重復(fù)數(shù)據(jù)即是進(jìn)行實體統(tǒng)
3、一。
實體統(tǒng)一是數(shù)據(jù)整合和數(shù)據(jù)清理的重要組成部分,通過消除冗余,為分析、挖掘提供高質(zhì)量的數(shù)據(jù)支持。本文據(jù)現(xiàn)有研究存在的問題,提出了兩種實體統(tǒng)一的方法,一是提出基于權(quán)值分級的實體統(tǒng)一方法。根據(jù)分級法計算每個字段的權(quán)值,按照分級思想,選擇某關(guān)鍵字段或字段某些位將大數(shù)據(jù)集分割成許多不相交的小數(shù)據(jù)集,再在各個小數(shù)據(jù)集中進(jìn)行實體統(tǒng)一,并引入多趟查找算法反復(fù)進(jìn)行實體統(tǒng)一:二是提出了領(lǐng)域相關(guān)的整體式實體統(tǒng)一方法,綜合運(yùn)用了屬性,上下文,
4、和關(guān)系這三種相似度度量方法,來處理相似度,然后放入本文提出的整體式聚類算法中進(jìn)行實體統(tǒng)一。其主要貢獻(xiàn):
(1)在分析現(xiàn)有重復(fù)記錄檢測實體統(tǒng)一方法的基礎(chǔ)上,提出領(lǐng)域無關(guān)的基于權(quán)值分級的實體統(tǒng)一的算法。算法運(yùn)用分級劃分思想,即把大的數(shù)據(jù)集分割成很多不相交的小數(shù)據(jù)集,再在小數(shù)據(jù)集中分別查找重復(fù)記錄,即采用了分而治之的思想,并進(jìn)行多趟查找,實驗證明這種方法提高了實體統(tǒng)一檢測的精度和效率。
(2)針對待統(tǒng)一實體本身之間
5、具有豐富關(guān)系的場景,比如文獻(xiàn)、社會關(guān)系網(wǎng)等領(lǐng)域,提出了一個領(lǐng)域相關(guān)的整體式實體統(tǒng)一的方法。該方法綜合運(yùn)用了屬性,上下文,和關(guān)系這三種相似度度量方法,來處理相似度,并用本文提出的聚類的實體統(tǒng)一算法來處理,比較全面的準(zhǔn)確的計算出相似度,對幾個數(shù)據(jù)集試驗評價表明該方法查準(zhǔn)率高、效率好。
(3)實體表象之間的緊密關(guān)聯(lián)暗示了潛在團(tuán)體的存在。為了度量這個緊密關(guān)聯(lián)的程度,我們引入數(shù)據(jù)結(jié)構(gòu)一擬團(tuán),定義了擬團(tuán)相似度,用來衡量和計算關(guān)系相似度
溫馨提示
- 1. 本站所有資源如無特殊說明,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)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 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. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對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, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 集成數(shù)據(jù)中實體統(tǒng)一技術(shù)的研究.pdf
- 面向Web數(shù)據(jù)集成的實體統(tǒng)一技術(shù)研究.pdf
- Web數(shù)據(jù)集成中實體統(tǒng)一問題研究.pdf
- Web信息集成中實體統(tǒng)一與模式匹配互促進(jìn)的研究.pdf
- 面向CRM的集成數(shù)據(jù)挖掘技術(shù)的研究.pdf
- 時間統(tǒng)一技術(shù)研究及應(yīng)用.pdf
- 混凝土結(jié)構(gòu)統(tǒng)一技術(shù)措施
- 統(tǒng)一技術(shù)措施-建筑n
- 萬科統(tǒng)一技術(shù)措施
- 數(shù)據(jù)集成中基于語義的實體解析技術(shù)的研究.pdf
- 玻璃萬科統(tǒng)一技術(shù)標(biāo)準(zhǔn)
- 杜夫海納美學(xué)中的主客體統(tǒng)一思想研究.pdf
- 杜夫海納美學(xué)中的主客體統(tǒng)一思想研究
- 應(yīng)用XML技術(shù)的RFID集成數(shù)據(jù)壓縮算法研究.pdf
- 異構(gòu)數(shù)據(jù)集成中實體識別與處理技術(shù)的研究與應(yīng)用.pdf
- LOD集成數(shù)據(jù)中不一致性問題的研究.pdf
- 集成數(shù)據(jù)模型中異構(gòu)數(shù)據(jù)源的無損映射研究.pdf
- 基于特征的異構(gòu)CAD集成數(shù)據(jù)交換技術(shù)研究.pdf
- 外墻涂料施工工程統(tǒng)一技術(shù)標(biāo)準(zhǔn)
- 論刑法中的主客體統(tǒng)一——兼論主客觀相統(tǒng)一原則.pdf
評論
0/150
提交評論