數(shù)據(jù)集成中基于語義的實體解析技術(shù)的研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，數(shù)據(jù)集成變得越來越重要，數(shù)據(jù)集成就是將來自多個不同的數(shù)據(jù)源的數(shù)據(jù)集成到一起，以便于以集成和統(tǒng)一的方式為用戶提供更便捷的信息服務(wù)。在數(shù)據(jù)集成中非常關(guān)鍵的一步是實體解析，數(shù)據(jù)集成過程中經(jīng)常出現(xiàn)多條記錄指代同一個實體的情況，將這些記錄找出來的過程就是實體解析。
　　為了提高實體解析的效率，有研究工作提出了ICAR性質(zhì)，基于這些性質(zhì)展開的實體解析可以減少記錄對的匹配，但ICAR性質(zhì)中的可被代表性在實際中要完全滿足比較困難

2、，且基于ICAR性質(zhì)的解析算法中將指代同一個實體的相似記錄全部都合并，這在實際應(yīng)用中往往并不合理而且也很難應(yīng)用。
　　為了提高實體解析的準確性，考慮到記錄之間可能存在一定的歸屬關(guān)聯(lián)關(guān)系、交互關(guān)聯(lián)關(guān)系以及時間順序等語義關(guān)聯(lián)信息，這對解析的準確性會有很大的幫助，但是結(jié)合這些語義關(guān)聯(lián)關(guān)系進行實體解析的研究工作還比較少，因此，本文針對基于多種語義關(guān)聯(lián)的實體解析技術(shù)開展研究。
　　首先，為了更好的進行實體解析本文提出了介于ICAR性質(zhì)

3、中的可被代表性與不可被代表性之間的語義覆蓋性的概念。利用這個性質(zhì)在減少匹配記錄對次數(shù)的同時，盡可能的讓解析結(jié)果的表達更合理。基于覆蓋性，提出了C-Swoosh算法和C-SNW算法。C-Swoosh算法在比較記錄對的時候并沒有考慮記錄間的順序，C-SNW算法將記錄按照一定的Key值排序以后利用滑動窗口將相似的記錄盡可能早的進行比較，從而盡早的將滿足覆蓋性的記錄進行合并，最終達到減少記錄間匹配次數(shù)的目標。
　　其次，利用歸屬關(guān)聯(lián)關(guān)系、