基于实体描述属性技术的XML重复对象检测方法

• 作者: 李亚坤 李建中 王宏志 高宏
• 来源期刊: 计算机学报
• 学科: 工学
• 关键词: XML 数据集成 数据质量 实体识别
• 年，卷（期）: 2011,（11）
• 页码范围: 2131-2141
• 分类号: TP311
• 字数: 8922字
• 语种: 中文
• DOI: 10.3724/SP.J.1016.2011.02131

摘要

由于XML文档越来越广泛地被用于信息交换与集成,其数据质量问题引起了人们的关注.解决由数据质量引发的问题,实体识别技术非常关键.当实体识别被应用于XML数据中时,最为关键的操作是实体数据对象的匹配.为了克服现有方法的不足,在海量XML数据上进行高效的重复对象检测,文中提出一种基于实体描述属性技术的高效XML重复数据对象检测方法.它将所有标签属性与结点统称为属性,用实体来描述属性,通过属性的属性结点表的构建,快速地找到在某个属性上相同的所有实体对象,然后比较它们是否重复.此方法的优势体现在无需比较所有实体对象,只需要比较在属性结点表中同一位置的结点,大大节省了时间.此外,我们提出的Max-Merge算法,在兼顾相似对象传递性与独立性的基础之上,将所有相似对象进行聚类,大大提高了算法的精确率与召回率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李建中	哈尔滨工业大学计算机学院	237	6003	33.0	72.0
2	王宏志	哈尔滨工业大学计算机学院	69	557	12.0	21.0
3	高宏	哈尔滨工业大学计算机学院	109	1574	18.0	36.0
4	李亚坤	哈尔滨工业大学计算机学院	2	14	2.0	2.0