面向Web數(shù)據(jù)集成的實體統(tǒng)一技術(shù)研究.pdf

1、當今時代隨著Internet的高速發(fā)展，越來越多的人使用互聯(lián)網(wǎng)來獲取他們想要的信息，但是網(wǎng)上的信息量是如此之巨大以至于一個人總是不能完全的和精確地獲取他想要的信息。在這種情況下，Web數(shù)據(jù)集成應(yīng)運而生，它可以使得應(yīng)用程序從一個單獨的數(shù)據(jù)源獲取數(shù)據(jù)，也即把多個異構(gòu)Web數(shù)據(jù)源的數(shù)據(jù)集成到數(shù)據(jù)倉庫中，便于用戶使用。Web數(shù)據(jù)集成即是集成多個Web數(shù)據(jù)源中的信息，給用戶提供一種統(tǒng)一的視圖以及多種應(yīng)用層的服務(wù)，例如情報分析，決策分析，報表生成等

2、等。
　　 在異構(gòu)數(shù)據(jù)源集成的過程中，會出現(xiàn)一些諸如實體表象不一致，拼寫錯誤，縮寫等等的情況導致多個相同或者相似的表象指向同一個現(xiàn)實世界中的實體或者同一表象指向不同的實體。這會帶來數(shù)據(jù)冗余，數(shù)據(jù)不一致等等問題，實體統(tǒng)一技術(shù)即用來解決這些問題。
　　 Web數(shù)據(jù)集成環(huán)境下數(shù)據(jù)出現(xiàn)了新的特點，因此實體統(tǒng)一技術(shù)面臨新的問題和挑戰(zhàn)。本文的主要工作有以下幾個方面：
　　 1.根據(jù)Web數(shù)據(jù)集成針對的領(lǐng)域不同，集成后的數(shù)據(jù)庫

3、中與某待統(tǒng)一實體相關(guān)的數(shù)據(jù)分為兩種，第一種為實體屬性值豐富的情況。在這種情況下，利用比較兩個實體表象的公共屬性值的pair-wise方法就能很好的解決實體統(tǒng)一問題。由于屬性和屬性值都較為豐富，本文著重研究屬性之間的層次關(guān)系以及不同屬性的重要度問題，提出了基于決策樹方法的實體統(tǒng)一模型。
　　 2.在很多情況下，由于Web數(shù)據(jù)抽取技術(shù)以及模式匹配技術(shù)的不確定性，集成后的數(shù)據(jù)庫中與某待統(tǒng)一實體相關(guān)的數(shù)據(jù)會存在很多缺失屬性值，例如在作者

4、匹配問題中，有些作者在工作單位屬性上有值，而有些作者無法獲取其工作單位的屬性值，這就造成了屬性值缺失的情況。在這種情況下，比較兩個實體表象的公共屬性值的pair-wise方法無法很好的解決實體統(tǒng)一問題，需要一種新的解決方案。由于關(guān)系數(shù)據(jù)庫中不同實體之間可以建立關(guān)聯(lián)，從而構(gòu)建圖結(jié)構(gòu)，因此本部分著重研究利用圖方法建立實體之間的關(guān)聯(lián)，計算相似度，從而有效解決屬性值缺失情況下的實體統(tǒng)一問題。
　　 3.在Web數(shù)據(jù)集成環(huán)境中經(jīng)常存在多類

5、型實體需要統(tǒng)一的情況。對于這種情況，對每種類型實體進行獨立統(tǒng)一無法利用已有實體統(tǒng)一的結(jié)果，同時也無法對后來實體統(tǒng)一進行促進。因此，本文研究了多類型集合實體統(tǒng)一，也即集合統(tǒng)一多種實體類型，使得已有的實體統(tǒng)一結(jié)果對后來的結(jié)果產(chǎn)生促進作用并達到較每種類型獨立統(tǒng)一更好的效果。
　　 本文對Web數(shù)據(jù)集成環(huán)境中如何有效的進行實體統(tǒng)一進行了探索性的研究，希望為該問題的解決提供一種有效的思路和方法。本文的研究不但為實體統(tǒng)一提供了思路和方法，同