2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩56頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

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

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(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)頁內(nèi)容里面會(huì)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(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。

評(píng)論

0/150

提交評(píng)論