search query: @keyword dynaaminen ohjelmointi / total: 5
reference: 2 / 5
« 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 Centre

In 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

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
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