search query: @keyword data distribution / total: 1
reference: 1 / 1
« previous | next »
Author: | Pham, Thach |
Title: | Multiple Column Approximate Match |
Monisarakkeen sumeahaku | |
Publication type: | Master's thesis |
Publication year: | 2004 |
Pages: | 62 Language: eng |
Department/School: | Tietotekniikan osasto |
Main subject: | Ohjelmistotekniikka (Tik-106) |
Supervisor: | Soisalon-Soininen, Eljas |
Instructor: | Soisalon-Soininen, Eljas |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn the closed network of Learning Centre you can read digital and digitized theses not available in the open network. The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/ You can read theses on the Learning Centre customer computers, which are available on all floors.
Logging on to the customer computers
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark Aalto | Archive |
Keywords: | datavase query approximate match Levenshtein edit distance dynamic programming IDA search Patricia trie Fibonacci heap data distribution tietokantahaku sumeahaku Levenshtein edit-etäisyys dynaaminen ohjelmointi IDA haku Patricia trie Fibonacci-keko tietojen hajautus |
Abstract (fin): | Perinteinen tietokanta on pääosin suunniteltu nopeaan ja luotettavaan tiedonhakuun. Tämän lisäksi se voi vertailla merkkijonoja keskenään etsiäkseen vastaavia osia merkkijonoista. Tämä onnistuu siten, että käyttäjä antaa hakusanoina merkkijonon osia käyttäen SQL LIKE, NOT LIKE tai säännöllistä lauseketta. Kuitenkaan se ei pysty korjaamaan virheellisiä hakutermejä. Nämä virheet voivat olla puuttuvia, ylimääräisiä tai vääriä kirjaimia, jotka sekoittavat tietokannan hakukoneen. Sama ongelma esiintyy myös hakemisto- ja luettelohaussa, monikielihaussa, duplikaattien poistossa, tietojen siistimisessä, puheentunnistuksessa jne. Multicolumn Match -projektin tavoitteena on ratkaista tämä ongelma käyttämällä tunnettuja algoritmeja ja joitakin parannuksia. Tämän diplomityön tarkoituksena on analysoida parannuksia sekä teoreettisesti että käytännössä. Teoreettinen analyysi pohjaa kirjallisuustutkimukseen ja algoritmien analyysiin, käytännön analyysi puolestaan sisältää vertailuja muiden markkinoilla olevien tuotteiden kanssa sekä kokeita, jotka testaavat tuotetun ohjelmiston erilaisia piirteitä. Testaustuloksien mukaan käytetyt algoritmit ja rakenteet lyhentävät hakuaikaa poistamalla duplikaatteja sekä vähentämällä mahdollisten kandidaattien määrää. Trie-rakenne dominoi hakuaikaa ja se pitäisi joko korvata jollakin tehokkaammalla rakenteella tai optimoida, jotta kokonaishakuaika lyhentyisi. Hajautettua laskentaa täytyy parantaa. Kokeen avulla voimme todeta, että kun virhemäärä on pieni (nollasta neljään), on Multicolumn Matcherin ohjelmisto (mCorrection) nopeampi ja skaalautuvampi kuin muut testattavat tuotteet, SSA-NAME ja FACT-Finder. Neljällä virheellä SSA-NAME3:n keskimääräinen hakuaika näytti olevan pienin, mutta jos luottamusvälit otetaan huomioon, on mCorrection nopeampi. Tuloksen mukaan voimme arvioida mCorrection olevan nopein, kun datatietueen määrä on iso (yhdestä miljoonasta satoihin miljooniin). |
ED: | 2004-04-05 |
INSSI record number: 25111
+ add basket
« previous | next »
INSSI