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
EntityResolution
Fingerprints
SimilarNewsArtic
MiningofMassiveDatasets
kovec,Rajaraman,andUllman
StanfordUniversity
TheentityͲresolution问题是要检查一个记录
集合并确定其中哪些记录了同一个实体。
▪实体可以是人物、等。
通常，如果记录在对应字段中的值相似，
我们希望将它们合并。
TheentityͲresolutionproblemistoexaminea
collectionofrecordsanddeterminewhichrefer
tothesameentity.
▪Entitiescouldbepeople,events,etc.
Typically,wewanttomergerecordsiftheir
valuesincorrespondingfieldsaresimilar.
我曾经从事过一份工作，解决过
如下问题：
▪公司A同意以一定费用为公司B招揽客户。
▪然后他们就招揽了多少客户发生了争执。
▪两者都没有准确记录涉及了哪些客户。
Ioncetookaconsultingjobsolvingthe
followingproblem:
▪CompanyAagreedtosolicitcustomersforCompany
B,forafee.
▪Theythenarguedoverhowmanycustomers.
▪Neitherrecordedexactlywhichcustomerswere
involved.
每家公司都拥有约100万条记录，描述
了可能从A发送到B的客户。
记录包含、地址和，但由于各
种，同一个人的记录可能会有所不同。
Eachcompanyhadabout1millionrecords
describingcustomersthatmighthavebeen
sentfromAtoB.
Recordshadname,address,andphone,but
forvariousreasons,theycouldbedifferent
forthesame.
步骤1：设计一个衡量（“评分”），用
于判断记录的相似程度：
▪例如，对于小的拼写错误（“Jeffrey”与
“Jeffery”）或具有不同区号的相话扣除分
数。
步骤2：对LSH方案识别为候选的记录对
进行评分；将高分报告为匹配项。
Step1:Designameasure(“score”)ofhow
similarrecordsare:
▪E.g.,deductpointsforsmallmisspellings(“Jeffrey”
vs.“Jeffery”)orsamephonewithdifferentarea
code.
Step2:ScoreallpairsofrecordsthattheLSH
schemeidentifiedascandidates;reporthigh
scoresasmatches.
2
问题：(100万)对
文档评论（0）