马如霞 孟小峰 王 璐 史英杰
1(中国人民大学信息学院 北京 100872)2(首都师范大学教育技术系 北京 100048)3(北京服装学院信息工程学院 北京 100029)(maruxia@126.com)
MTruths:Web信息多真值发现方法
马如霞1,2孟小峰1王 璐1史英杰3
1(中国人民大学信息学院 北京 100872)2(首都师范大学教育技术系 北京 100048)3(北京服装学院信息工程学院 北京 100029)(maruxia@126.com)
Web已成为一个浩瀚的信息海洋,其信息分散在不同的数据源中.不同数据源常常为同一对象实体提供冲突的属性值.如何从这些冲突属性值中找到真值被称为真值发现问题.根据属性值数量可将对象属性分为单值属性和多值属性,现有的多数真值发现算法对单值属性的真值发现比较有效.针对多值属性的真值发现问题,提出了一个多真值发现方法MTruths,该方法将多真值发现问题转化为一个最优化问题,其目标是:各对象的真值与各数据源提供的观察值之间的相似性加权和达到最大.对象真值求解过程中,提出2种方法求真值列表的最优解:基于枚举的方法和贪心算法.与已有方法不同的是MTruths可以直接得到对象的多个真值.最后,通过图书和电影2个真实数据集上的实验表明,MTruths的2种实现方法的准确性以及贪心算法的效率优于现有真值发现方法.
真值发现;数据冲突;单值属性;多值属性;数据源质量
互联网信息量正以惊人的速度急剧增长,俨然成为一个巨大的信息库.Web已经渗透到人们日常生产、生活的方方面面,逐渐成为人们获取信息的重要来源.人……