对基于MPN的相似重复记录识别算法的改进

作者：刘伟; 曹先彬数据清理相似重复记录字符串匹配mpn传递闭包

摘要：相似重复记录识别是数据清理中的一个关键问题.文章针对常用的多趟邻接排序法提出了两点改进:一是在多趟排序识别过程中直接合并有重叠的相似记录集,取消了最后计算传递闭包的环节;二是利用关键字按字典序排序的特性,在求编辑距离之前先过滤前面的公共子串,减少了相似记录比较的开销.文章最后给出了改进算法与原算法的对比试验结果.

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社