一种基于二分图最优匹配的重复记录检测算法

摘要

信息集成系统中存在重复记录，重复记录的存在为数据处理和分析带来了困难．重复记录检测已经成为当前数据库研究中的热点问题之一．目前的方法主要集中在计算具有同样数据类型属性的相似性上，而现实系统中存在大量具有不同数据类型、不同模式的记录．针对具有多种类型不同模式数据的重复记录检测问题，提出了一种基于二分图的最优匹配的记录相似度计算方法，并基于这种记录相似性提出了重复记录检测算法．理论分析和实验结果都表明了方法的正确性和有效性．