實體匹配中匹配規(guī)則產(chǎn)生算法研究.pdf

1、實體匹配旨在找出多個數(shù)據(jù)源中表示同一實體的記錄。實體匹配是數(shù)據(jù)有效使用的前提和關鍵，廣泛應用于數(shù)據(jù)清洗、數(shù)據(jù)冗余檢測、數(shù)據(jù)融合等領域。實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)則是實體匹配的關鍵。本文研究基于規(guī)則的實體匹配中記錄匹配規(guī)則的產(chǎn)生算法。
　　首先，通過對已有算法進行分析，發(fā)現(xiàn)已有算法不僅存在訓練時間長的問題，而且存在結果精確率低的問題。針對存在的問題，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)生基礎記錄匹配規(guī)則，再對基礎記錄匹配規(guī)則的屬性進行排序，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在對基礎記錄匹配規(guī)則的屬性進行排序的基