10.3969/j.issn.1007-130X.2022.04.014
基于字段过滤和伸缩窗口的SNM算法优化
数据仓库中的问题数据对数据质量有较大的影响,为了查找和去除这些问题数据,首要的工作是处理相似重复数据,目前针对重复数据清除应用最多的算法是基本邻近排序算法(SNM).通过分析SNM算法的缺陷,提出了一种改进的SNM算法——ISNM.采用属性区分法计算属性权值,解决了人为主观赋予权值导致的问题;使用字段过滤算法计算2条记录的相似度,减少了窗口内记录属性的比对次数,加快了算法的检测速度;使用可变窗口代替固定大小的窗口,防止记录漏配并减少无用的记录比对.实验结果表明,改进后的ISNM算法在查全率、查准率和运行时间开销上有明显的优势.
数据质量、数据清洗、相似重复记录、SNM算法
44
TP311(计算技术、计算机技术)
江苏省重点研发计划BE2018301
2022-04-27(万方平台首次上网日期,不代表论文的发表时间)
共8页
699-706