數(shù)據(jù)萬維網(wǎng)自動實(shí)體匹配.pdf

1、隨著數(shù)據(jù)萬維網(wǎng)的逐步成形,大規(guī)模自動實(shí)體匹配成為一個(gè)急需完成的重大任務(wù)。該任務(wù)旨在將萬維網(wǎng)上來自不同數(shù)據(jù)集,卻有著同樣意義的實(shí)體進(jìn)行匹配,從而使網(wǎng)絡(luò)程序在探索、查詢、篩選、匯總多個(gè)來源的數(shù)據(jù)時(shí)能夠得到更為完整和正確的操作結(jié)果。它關(guān)系到大量網(wǎng)絡(luò)應(yīng)用的性能和用戶體驗(yàn),這些應(yīng)用包括搜索、瀏覽和各種采用混合技術(shù)搭建的網(wǎng)絡(luò)程序(Mashup)。然而,在進(jìn)行這種數(shù)據(jù)整合的工作過程中我們將會遇到幾大挑戰(zhàn)。首先,我們需要一個(gè)可擴(kuò)展的解決方案,它既能在合

2、理的時(shí)間內(nèi)處理海量的萬維網(wǎng)數(shù)據(jù),又能保證足夠的整合效果(如準(zhǔn)確率和召回率)。其次,現(xiàn)在還很難對這類解決方案進(jìn)行評測,因?yàn)槟壳斑€沒有一個(gè)實(shí)體匹配評測標(biāo)準(zhǔn)能夠反映出萬維網(wǎng)數(shù)據(jù)的多樣性。本文針對以上這些挑戰(zhàn)深入研究數(shù)據(jù)萬維網(wǎng)實(shí)體匹配這一課題,并提出一個(gè)二階段的實(shí)體匹配方案,即首先對所有實(shí)體進(jìn)行分塊,將有可能具有相同意義的實(shí)體分到同一個(gè)塊中;再在每一個(gè)分塊內(nèi)部根據(jù)實(shí)體的局部結(jié)構(gòu)特性對同義的個(gè)體進(jìn)行聚類。實(shí)驗(yàn)證明,該方案具有良好的擴(kuò)展性,并能達(dá)到