haku: @instructor Soisalon-Soininen, Eljas / yhteensä: 16
viite: 10 / 16
Tekijä: | Pham, Thach |
Työn nimi: | Multiple Column Approximate Match |
Monisarakkeen sumeahaku | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2004 |
Sivut: | 62 Kieli: eng |
Koulu/Laitos/Osasto: | Tietotekniikan osasto |
Oppiaine: | Ohjelmistotekniikka (Tik-106) |
Valvoja: | Soisalon-Soininen, Eljas |
Ohjaaja: | Soisalon-Soininen, Eljas |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark Aalto | Arkisto |
Avainsanat: | 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 |
Tiivistelmä (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 tietueen numero: 25111
+ lisää koriin
INSSI