基于对象树相似匹配XML重复对象检测.pdfVIP

计算机科学2006V01．33No．11(增刊) 基于对象树相似匹配的XML重复对象检测 DetectioninXMLBasedon Tree Match Duplicates ObjectSimilarly 王天亮陈剐徐宏炳 (东南大学计算桃科学与工程系 南京210096) Abstract detectionisa ofdata andisthemaintaskofdata Duplicates veryimportantp∞ccss integration cleaning． Whileresearchaboundaintherealmof datectinninrelationaldata，thereis littleworkfOr duplicate duplicates yet in data Inthis the in other，laore models，such∞XML 8modd xML complex paper，wepresent detectingduplicates consistsofcandidate tree detectiondu- data，which definitinn}objectextraction，obiect and construction，duplicates detectionisbasedoilsimilar of tree．At mea．s- clustering．Duplicate matchingobjeet last，someoptimization plicates llre：sfor moddIil．|e this proposecL Dam detection Keywm-dscleansing，Entity，ObjecttlP．e．Duplicates 2．在关系型数据库中，每一条记录代表一个对 1引言 象，每个字段为一个对象的属性。而在XML中，对 数据集成就是把来自异构分布数据源的数据整 象是一种树状结构，一个元素是描述一个对象的属 合起来。因为相同对象在不同的数据源中可能会有 性还是一个相关的对象是由实际应用决定的。例 不同的表示方法，即存在重复记录，所以数据集成理 如： 想的结果是相同的对象有唯一完整正确的表示。数 (country) 据清洗是数据集成中一个重要的环节，是实现理想 France 的数据集成结果的重要方法，其主要任务是清除来 (city) 自不同数据源中的重复记录，保证一个对象在结果 name)Parist：／name) 集中只有唯一的一个表示。 (／city) 这个问题已经在关系型数据库中得到了广泛的 (／c