不確定和時態(tài)數據集上實體識別技術研究.pdf

1、在數據管理中，數據質量問題是最重要的議題之一。傳統(tǒng)數據庫著眼于數據的量的管理，即支持大量數據的創(chuàng)建、維護和檢索。但是現實世界中的數據存在著諸多質量問題：不一致、重復、不精確、不完整或者過時。劣質數據可對社會生活中的諸多環(huán)節(jié)產生嚴重的后果。因此數據質量管理在信息化社會中具有巨大的應用需求和潛質。實體識別技術是數據質量管理技術中的重要環(huán)節(jié)。實體識別技術致力于發(fā)現來源于不同數據源的同一現實世界實體的不同表示形式。實體識別的結果有助于解決上述數

2、據質量問題。因此實體識別技術對于數據質量管理過程具有重要的基礎性作用。本文討論劣質數據集上的實體識別問題，提出了一系列算法以解決具有不精確和過時等問題的劣質數據集上的實體識別問題。
　　本文是第一篇提出針對含有不精確數據的不確定數據集進行實體識別研究的文章，本文給出了概率相似度測度以及基于此測度的相似度鏈接和聚類算法。在相似度鏈接算法中，本文提出融合前綴過濾算法以壓縮計算空間的優(yōu)化算法。實驗表明，本文所提出的算法可以有效高效的解決

3、不確定數據集上的實體識別問題。
　　針對含有過時數據的時態(tài)數據集上的實體識別問題，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間戳不可用的情況下時態(tài)數據集上的實體識別算法的文章。針對這一問題，本文提出在相似度鏈接算法中首先利用數據時序規(guī)則(data currency rules)以確定時態(tài)元組的相對時序順序，然后在時序順序的基礎上提出元組屬性的不穩(wěn)定性特性以對時態(tài)元組的屬性的進化特性進行建模。結果顯示，在相似度鏈接算法中融入