原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
一种改进的检测重复记录的方法.pdf
一种改进的检测重复记录的方法
An for Records
OptimizedApproach Duplicate
Detecting
郭景峰周军锋张大鹏
(燕山大学计算机科学系 秦皇岛066004)
AbstractHowtoeliminate recordsin in
duplicate databasesthecourseofDataPreparati。n
large
isan this theexisted and outthe
importantstep．Inpaper，weanalyze algorithmgive optimized
algorithm．
Data records，Pair—wise
Keywordspreparation，Duplicate
的方法。该方法将检测相似重复记录分为两步来实
1 引言
现，其基本思想是：给每个记录赋一个N—Gram值，
数据集成中很重要的一个问题就是检测重复元 以该值为键来对记录聚类。第一步：给每个记录做一
组，重复指的是对于同一数据，存在两个或多个相同 个标记N—Gram值。第二步：采用一定大小的优先队
的元组。例如：表1所展示的由不同数据源集成到的 列来把相似重复记录聚到同一个cluster中。其中，
数据，从我们的经验来判断，应该表示的是同一实 在该文献中提到的对两条记录作Pair—wise比较的
体，但由于书写格式不尽相同，计算机就将其作为两 时候，采用了如下的算法：
条记录来保存，数据集成的一个很重要的功能就是 输入：两单词距离的阈值81，两个记录r1和r2，记录距离的
阈值艿2。
尽可能地将那些重复记录剔除掉。 输出：True／False
1．recordDist=0；
表1重复记录举例
3．n2=GetWordNurn(r2)：
Record Name Address 4．if(nln2)then
EmpNo
1020 Bandar5． begin
Jalan
6． SwitchRecord(r1．r2)；／／交换记录内容
Liu Lamma，Industrial
Hang 7． SwitchRecord(n1．n2)：
1 142625M 8． end：
XiangPark3， West to do
9．for nl
I一1
Malaysia 10． begin
文档评论（0）