實(shí)體匹配中匹配規(guī)則產(chǎn)生算法研究.pdf

1、實(shí)體匹配旨在找出多個(gè)數(shù)據(jù)源中表示同一實(shí)體的記錄。實(shí)體匹配是數(shù)據(jù)有效使用的前提和關(guān)鍵，廣泛應(yīng)用于數(shù)據(jù)清洗、數(shù)據(jù)冗余檢測(cè)、數(shù)據(jù)融合等領(lǐng)域。實(shí)體匹配的前提是了解記錄之間匹配的規(guī)則，記錄之間的匹配規(guī)則決定了實(shí)體匹配的質(zhì)量，因此產(chǎn)生高質(zhì)量記錄匹配規(guī)則是實(shí)體匹配的關(guān)鍵。本文研究基于規(guī)則的實(shí)體匹配中記錄匹配規(guī)則的產(chǎn)生算法。
　　首先，通過(guò)對(duì)已有算法進(jìn)行分析，發(fā)現(xiàn)已有算法不僅存在訓(xùn)練時(shí)間長(zhǎng)的問(wèn)題，而且存在結(jié)果精確率低的問(wèn)題。針對(duì)存在的問(wèn)題，本文提

2、出一種基于貪心思想的記錄匹配規(guī)則產(chǎn)生算法GR-Greedy。GR-Greedy先利用全屬性產(chǎn)生基礎(chǔ)記錄匹配規(guī)則，再對(duì)基礎(chǔ)記錄匹配規(guī)則的屬性進(jìn)行排序，然后使用貪心的思想刪除匹配規(guī)則中可能降低匹配精確度的屬性，從而提高記錄匹配規(guī)則的匹配精確度。
　　其次，為了進(jìn)一步提升記錄匹配的精確程度，提出一種基于遍歷思想的匹配規(guī)則產(chǎn)生算法GR-Traverse。與GR-Greedy相比，GR-Traverse在對(duì)基礎(chǔ)記錄匹配規(guī)則的屬性進(jìn)行排序的基