基于可信度模型的重复主数据检测算法

摘要：

针对来源于多个业务系统的重复主数据影响主数据质量、主数据同步及主数据挖掘等问题，提出重复主数据检测算法fastCdrDetection。从数据可信度的角度出发，在考虑数据源可信度、数据最后更新时间及数据长度的基础上，建立主数据可信度模型，并实现可信记录生成算法。设计非递归的字符串相似度计算算法 FiledMatch，解决了由中文简写、缩写、错误拼写造成的主数据重复问题，采用 sourceKeys 算法对来源于同一业务系统、具有同样业务主键的重复记录进行预处理，从而提高重复主数据检测效率。通过对某电网基建物资63万余条供应商存量数据及23万余条模拟数据进行实验，结果表明，与 PQS 算法相比， fastCdrDetection算法的召回率由74%提高到88%，准确率由61%提高到95%，证明了算法的有效性。

关键词：多数据源、重复主数据、可信度模型、检测算法、数据可信度

分类号：TP311(计算技术、计算机技术)

资助基金：国家科技支撑计划基金资助项目2012BAF12B14。

在线出版日期：2014-06-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：31-35,40