一种面向Deep Web数据源的重复记录识别模型

• 作者: 于戈 刘丽楠 寇月 申德荣 聂铁铮
• 来源期刊: 电子学报
• 学科: 工学
• 关键词: 重复记录 深层web 数据清洗
• 年，卷（期）: 2010,（2）
• 所属期刊栏目: 学术论文
• 页码范围: 275-281
• 页数: 7页
• 分类号: TP391
• 字数: 6219字
• 语种: 中文

摘要

重复记录是指描述现实世界中同一实体的不同的记录信息.由于从同一个领域的不同Deep web数据源中抽取的记录信息通常存在许多重复记录,本文针对半结构化的重复记录的识别进行研究.在已知全局模式和全局模式与各Deep Web数据源查询接口映射关系的基础上,提出了一种重复记录识别模型.基于从Deep Web中抽取出的半结构化的数据,采用查询探测方法确定所抽取数据所匹配的属性,通过分析抽取的实例数据确定属性重要度,结合多种相似度估算器和多种算法计算记录间的相似度,进而识别重复记录.实验表明,该重复记录识别模型在Deep Web环境下是可行且有效的.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	于戈	东北大学信息科学与工程学院	426	6587	38.0	64.0
2	申德荣	东北大学信息科学与工程学院	111	1289	18.0	32.0
3	寇月	东北大学信息科学与工程学院	68	816	12.0	26.0
4	聂铁铮	东北大学信息科学与工程学院	69	854	13.0	27.0
5	刘丽楠	东北大学信息科学与工程学院	2	18	2.0	2.0