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

1、隨著信息技術(shù)的迅速發(fā)展，大量的數(shù)據(jù)不斷涌現(xiàn)，不可避免的會(huì)引發(fā)質(zhì)量問題，數(shù)據(jù)清洗是提高數(shù)據(jù)質(zhì)量的重要手段，而相似重復(fù)記錄檢測(cè)是數(shù)據(jù)清洗研究的關(guān)鍵技術(shù)，因此對(duì)相似重復(fù)記錄檢測(cè)的研究具有重要意義。諸多學(xué)者對(duì)相似重復(fù)記錄的檢測(cè)算法做了大量研究，其中尤以基于滑動(dòng)窗口的算法較為有效。該算法依據(jù)相似重復(fù)記錄鄰近的原理，將檢測(cè)記錄的比較記錄數(shù)限制在有限的窗口數(shù)目內(nèi)，從而大大提高檢測(cè)效率。針對(duì)算法平等對(duì)待各字段和窗口大小設(shè)置沒有統(tǒng)一標(biāo)準(zhǔn)的不足，論文研究了

2、基于可變滑動(dòng)窗口的相似重復(fù)記錄檢測(cè)算法。
　　 論文研究的主要內(nèi)容如下:
　　 針對(duì)傳統(tǒng)檢測(cè)算法的低查準(zhǔn)率、低查全率以及時(shí)間效率低的問題，論文提出基于可變滑動(dòng)窗口的相似重復(fù)記錄檢測(cè)算法。首先通過綜合加權(quán)法科學(xué)地計(jì)算屬性的權(quán)重向量即:采用統(tǒng)計(jì)加權(quán)法計(jì)算字段的統(tǒng)計(jì)向量S;采用等級(jí)加權(quán)法計(jì)算字段的經(jīng)驗(yàn)向量G;結(jié)合經(jīng)驗(yàn)向量和統(tǒng)計(jì)向量計(jì)算權(quán)重向量W。然后給出確定存放相似重復(fù)記錄集的可變滑動(dòng)窗口大小的計(jì)算公式，通過計(jì)算相似重復(fù)記錄之

3、間的距離確定了窗口大小的上界;可變滑動(dòng)窗口通過對(duì)相似重復(fù)記錄進(jìn)行聚類，解決了基于滑動(dòng)窗口檢測(cè)算法低查準(zhǔn)率的問題。記錄間的相似性判斷首先通過使用編輯距離算法計(jì)算各字段的相似性，然后結(jié)合字段權(quán)重向量計(jì)算記錄間的相似性。
　　 針對(duì)傳統(tǒng)編輯距離算法在基于語義的中文匹配方面的不足，論文提出基于語義的編輯距離算法。該算法利用中文分詞算法對(duì)字段進(jìn)行切分，以語義詞組為單位計(jì)算字段的相似性，其同義替換的特點(diǎn)提高了檢測(cè)精度。同時(shí)，采用基于字符串長