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

1、在數(shù)據(jù)管理中，數(shù)據(jù)質(zhì)量問(wèn)題是最重要的議題之一。傳統(tǒng)數(shù)據(jù)庫(kù)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(wèn)題：不一致、重復(fù)、不精確、不完整或者過(guò)時(shí)。劣質(zhì)數(shù)據(jù)可對(duì)社會(huì)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(huì)中具有巨大的應(yīng)用需求和潛質(zhì)。實(shí)體識(shí)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(shí)別技術(shù)致力于發(fā)現(xiàn)來(lái)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(shí)別的結(jié)果有助于解決上述數(shù)

2、據(jù)質(zhì)量問(wèn)題。因此實(shí)體識(shí)別技術(shù)對(duì)于數(shù)據(jù)質(zhì)量管理過(guò)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(shí)別問(wèn)題，提出了一系列算法以解決具有不精確和過(guò)時(shí)等問(wèn)題的劣質(zhì)數(shù)據(jù)集上的實(shí)體識(shí)別問(wèn)題。
　　本文是第一篇提出針對(duì)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(shí)別研究的文章，本文給出了概率相似度測(cè)度以及基于此測(cè)度的相似度鏈接和聚類(lèi)算法。在相似度鏈接算法中，本文提出融合前綴過(guò)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(shí)別問(wèn)題。
　　針對(duì)含有過(guò)時(shí)數(shù)據(jù)的時(shí)態(tài)數(shù)據(jù)集上的實(shí)體識(shí)別問(wèn)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(shí)別算法的文章。針對(duì)這一問(wèn)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(duì)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(duì)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