多數(shù)據(jù)源沖突的主數(shù)據(jù)真值發(fā)現(xiàn)算法

王繼奎，李少波

（1.中國(guó)科學(xué)院 成都計(jì)算機(jī)應(yīng)用研究所，四川 成都610041；2.貴州大學(xué) 現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽(yáng)550003；3.蘭州商學(xué)院 信息工程學(xué)院，甘肅 蘭州730020）

0 引 言

數(shù)據(jù)沖突問題在數(shù)據(jù)處理領(lǐng)域中早就被提了出來［1］，文獻(xiàn) ［2－4］在解決數(shù)據(jù)沖突問題時(shí)，往往假設(shè)數(shù)據(jù)源都是獨(dú)立的，相互之間沒有關(guān)聯(lián)。2007年Yin［5］等人首次提出了web環(huán)境下多數(shù)據(jù)源存在依賴的情況下沖突的問題，提出了數(shù)據(jù)值支持度的概念，就客觀實(shí)體的單個(gè)屬性如作者姓名的真值發(fā)現(xiàn)進(jìn)行研究，提出了TruthFinder算法，該算法考慮了不同屬性值之間的相互支持關(guān)系，通過不同數(shù)據(jù)值之間的支持度及數(shù)據(jù)源的準(zhǔn)確度修正數(shù)據(jù)值的可信度，通過數(shù)據(jù)值的可信度重新計(jì)算數(shù)據(jù)源的準(zhǔn)確度，進(jìn)行迭代計(jì)算，設(shè)置數(shù)據(jù)源可信度變化閾值作為算法終止條件。2009年Dong［6，7］等人對(duì)數(shù)據(jù)源存在拷貝的進(jìn)行了研究，并提出了考慮數(shù)據(jù)源存在拷貝的情況下數(shù)據(jù)源及數(shù)據(jù)值可信度的計(jì)算方法。文獻(xiàn) ［8］考慮了動(dòng)態(tài)數(shù)據(jù)的真值發(fā)現(xiàn)。2010年考明軍［9］等人提出了數(shù)據(jù)源權(quán)威性的概念，采用不同的概率投票方法，將數(shù)據(jù)源的可信性和數(shù)據(jù)值的準(zhǔn)確性之間的關(guān)系運(yùn)用在投票的思想中，同時(shí)考慮不同數(shù)據(jù)值之間的影響。2012年張志強(qiáng)［10］等人在提出了NEWACCU算法，主要是采用的數(shù)據(jù)源的準(zhǔn)權(quán)威度與數(shù)據(jù)值的投票率的均值作為數(shù)據(jù)源的可信度參與計(jì)算，并對(duì)數(shù)據(jù)值的不同表現(xiàn)形式進(jìn)行了處理。

主數(shù)據(jù)集成的過程中經(jīng)常會(huì)出現(xiàn)同一客觀實(shí)體有不同描述的情況，應(yīng)該綜合考慮這些描述，并通過一定的算法生成最可信記錄。目前的沖突數(shù)據(jù)解決算法關(guān)于數(shù)據(jù)值支持度的計(jì)算通常采用字符串相似度算法，由于數(shù)據(jù)值支持度的計(jì)算對(duì)整個(gè)真值發(fā)現(xiàn)算法的有效性有關(guān)鍵影響，數(shù)據(jù)值支持度的計(jì)算方法的改進(jìn)會(huì)導(dǎo)致真值發(fā)現(xiàn)算法的改進(jìn)。從主數(shù)據(jù)集成的業(yè)務(wù)角度出發(fā)，提出了一種非對(duì)稱的數(shù)據(jù)值支持度算法，較好的解決了主數(shù)據(jù)沖突中常出現(xiàn)的簡(jiǎn)寫、少寫、位置調(diào)換、錯(cuò)誤書寫等問題；提出了TRFinder迭代算法，該算法考慮了數(shù)據(jù)源的可信度和沖突數(shù)據(jù)值非對(duì)稱支持度；在TRFinder算法的基礎(chǔ)上給出了主數(shù)據(jù)生成的算法。最后通過文獻(xiàn) ［9］使用的books＿authors數(shù)據(jù)集及模擬數(shù)據(jù)集對(duì)Vote算法、TruthFinder算法與TRFinder算法進(jìn)行了對(duì)比實(shí)驗(yàn)，結(jié)果表明TRFinder算法可以發(fā)現(xiàn)更多的客觀對(duì)象的真值；即使不是真值也保留了更多地真值信息；算法的準(zhǔn)確度由Vote算法的42%、Truth－Finder算法的71%，提升到了81%，驗(yàn)證了算法的有效性。

1 TRFinder算法

1.1 主數(shù)據(jù)集成模型

主數(shù)據(jù)集成一般分為數(shù)據(jù)模式匹配、重復(fù)記錄檢測(cè)、主數(shù)據(jù)生成3個(gè)階段。

（1）主數(shù)據(jù)管理系統(tǒng)與業(yè)務(wù)系統(tǒng)進(jìn)行模式匹配，為數(shù)據(jù)抽取提供字段映射機(jī)制；

（2）檢測(cè)組件在數(shù)據(jù)加載的過程中進(jìn)行重復(fù)主數(shù)據(jù)檢測(cè)；

（3）若存在重復(fù)主數(shù)據(jù)，根據(jù)主數(shù)據(jù)真值發(fā)現(xiàn)算法生成主數(shù)據(jù)。

主數(shù)據(jù)集成模型如圖1所示。

圖1 主數(shù)據(jù)集成模型

1.2 規(guī) 則

1.2.1 符號(hào)及含義

符號(hào)、縮寫及意義見表1。

表1 符號(hào)、縮寫及意義

1.2.2 假設(shè)

假設(shè)4：t（s）＝g（f），f∈F（s）。假設(shè)1表明客觀實(shí)體屬性真值唯一；假設(shè)2表明真值來源于數(shù)據(jù)源；假設(shè)3說明不同數(shù)據(jù)源提供的錯(cuò)誤值不一樣；假設(shè)4說明數(shù)據(jù)源的準(zhǔn)確度取決于其提供的數(shù)據(jù)值的可信度。

1.3 imp （fi－＞fj）的計(jì)算

目前的真值發(fā)現(xiàn)算法均是基于投票的思想，后來的算法考慮了數(shù)據(jù)源準(zhǔn)確度、數(shù)據(jù)源可能存在拷貝關(guān)系、不同數(shù)據(jù)值的相似度的因素改進(jìn)了樸素的投票算法，取得了顯著的成果。

數(shù)據(jù)值的可信度取決于提供數(shù)據(jù)值的數(shù)據(jù)源的準(zhǔn)確度、其它數(shù)據(jù)值對(duì)其的支持度。文獻(xiàn) ［5，6］把所有類型看作字符串，采取了對(duì)稱的相似度計(jì)算Simth－Waterman算法［11］，以相似度代替支持度；本文采取非對(duì)稱的算法計(jì)算字符串的支持度，并針對(duì)不同的數(shù)據(jù)類型設(shè)置了不同的閾值。

（1）數(shù)值日期型

式中：β∈｛0，1｝，對(duì)于數(shù)值做以下處理，若兩個(gè)數(shù)值相等，則支持度為1，否則為0。這種情況下數(shù)據(jù)值可信度的計(jì)算是對(duì)稱的。

對(duì)于日期型的計(jì)算首先要統(tǒng)一數(shù)據(jù)格式。目前日期型的數(shù)據(jù)是最容易出現(xiàn)不同數(shù)據(jù)格式的。

（2）字符串型：β取值為字符串相似的閾值。其它的數(shù)據(jù)類型統(tǒng)一處理成字符串型進(jìn)行處理。通過分析目前不同數(shù)據(jù)值多是因?yàn)榭s寫、少寫、或者錯(cuò)寫造成的。目前算法使用的字符串相似度計(jì)算函數(shù)為傳統(tǒng)的非恒定相似度系數(shù)評(píng)價(jià)方法 （Jaccard系數(shù)）即

式中：q——兩個(gè)字符串共有的單詞數(shù)，r——字s2種存在，s1中不存在的單詞數(shù)，s標(biāo)識(shí)字符串s1存在，s2中不存在的單詞數(shù)。但是在現(xiàn)實(shí)中 （中國(guó)，中華人民共和國(guó)）是相同的概念，如果將每個(gè)字符看作一個(gè)詞，計(jì)算的結(jié)果將是2／（2＋5）＝28.6%，顯然與其實(shí)際的相似度相差甚遠(yuǎn)；又如 （廣東省經(jīng)緯網(wǎng)絡(luò)科技有限公司，山東省經(jīng)緯網(wǎng)絡(luò)科技有限公司）完全是不同的實(shí)體，但是通過計(jì)算相似度為12／（12＋1＋1）＝85.7%，與實(shí)際情況也相去甚遠(yuǎn)。文獻(xiàn)［11］專門針對(duì)中文提出了一種新的計(jì)算公式

這個(gè)公式與英文計(jì)算方法是完全相同的，令

所以文獻(xiàn) ［11］提出的中文計(jì)算方法與英文計(jì)算方法是一樣的。實(shí)踐中發(fā)現(xiàn)相似數(shù)據(jù)主要由簡(jiǎn)寫、少寫、錯(cuò)誤拼寫造成的，針對(duì)這3種情況，提出了一種非對(duì)稱的支持度算法

比如供貨范圍s1＝ “軟件、硬件”，s2＝ “軟件”，則imp（s2→s1）＝1，而imp （s1→s2）＝0.5，所以支持度的計(jì)算是非對(duì)稱的。該算法比較好的解決了少寫、簡(jiǎn)寫、錯(cuò)誤拼寫的問題。若采用文獻(xiàn) ［9］采用的算法，imp （s2→s1）＝imp （s1→s2）＝2／（5＋2－2）＝0.4。從直觀上來看s1更加可信。

算法1：計(jì)算義原詞的相似度。

使用前首先對(duì)兩個(gè)字符串按照一定的規(guī)則進(jìn)行分詞，然后排序，將每個(gè)分詞看作一個(gè)義原詞。

輸入：待比較的兩個(gè)義原詞a1，a2

輸出：相似度比較結(jié)果

f1Array，f2Array為a1，a2的字符串?dāng)?shù)組；k與m為指向f1Array，f2Array的指針，初始值為0，count統(tǒng)計(jì)字符相同的結(jié)果，初始值位0。

（1）char［］f1Array＝a1.toCharArray（）；

（2）char［］f1Array＝a2.toCharArray（）；

（3）int k＝0；

（4）int m＝0；

（5）int count＝0；

（6）while（k＜f1Array.length）｛

（7）int l＝m；

（8）while（l＜f2Array.length）｛

（9）if（f1Array ［k］＝＝f2Array ［l］）｛

（10）m＋＋；

（11）count＋＋；

（12）break；

（13）｝else｛

（14）l＋＋；

（15）｝｝

（16）k＋＋；

（17）｝

return（double）count／f2Array.length；

算法分析：將a1轉(zhuǎn)化為字符數(shù)組，每個(gè)字符即為s1的義原詞，將a2轉(zhuǎn)化為字符數(shù)組，掃描一遍兩個(gè)數(shù)組，統(tǒng)計(jì)相同字符的個(gè)數(shù)。設(shè)：a1對(duì)應(yīng)的數(shù)組長(zhǎng)度為m，a2，對(duì)應(yīng)的數(shù)組長(zhǎng)度為n，最好情況需比較min（m，n），最壞情況需要比較 max（m，n）。

算法2：非對(duì)稱支持度算法

輸入：數(shù)據(jù)值s1，s2

輸出：s2對(duì)s1的支持度

（1）將字符串s1，s2進(jìn)行分詞，構(gòu)成義原詞集合w1，w2。采用算法1進(jìn)行義原詞相似度計(jì)算。

（2）采用非恒定相似度系數(shù)評(píng)價(jià)方法計(jì)算式 （6）的q。

（3）采用式 （6）計(jì)算imp（s2→s1）。

1.4 算法模型

由于主數(shù)據(jù)來源的業(yè)務(wù)系統(tǒng)數(shù)據(jù)是獨(dú)立的業(yè)務(wù)系統(tǒng)，不存在業(yè)務(wù)系統(tǒng)之間相互拷貝的情況；在進(jìn)入主數(shù)據(jù)系統(tǒng)這一刻的業(yè)務(wù)數(shù)據(jù)應(yīng)該各業(yè)務(wù)系統(tǒng)的最可信數(shù)據(jù)，這一點(diǎn)由各提供數(shù)據(jù)的業(yè)務(wù)系統(tǒng)保證，所以不考慮數(shù)據(jù)的動(dòng)態(tài)特性。算法模型主要關(guān)注不同數(shù)據(jù)值之間的支持度、數(shù)據(jù)源的準(zhǔn)確度及主數(shù)據(jù) （golden record）的生成。attr表示主數(shù)據(jù)屬性數(shù)組，t為數(shù)據(jù)源準(zhǔn)確度矩陣，imp為屬性值相似度矩陣，j表示當(dāng)前計(jì)算的為第j個(gè)屬性，α為數(shù)據(jù)源可信度變化閾值。

TRFinder模型如圖2所示。

1.5 TRFinder算法

1.5.1 算法3：支持度矩陣imp的算法

算法依據(jù)為文獻(xiàn) ［5］式 （6）、式 （11）

輸入：給定屬性的數(shù)據(jù)值數(shù)組values，數(shù)據(jù)源可信度數(shù)組c，可信度調(diào)節(jié)參數(shù)r

輸出：支持度矩陣imp

（1）double ［］［］imp＝new double ［values.length］［values.length］；

（2）for （int i＝0；i＜values.length；i＋＋）

（3）｛

（4）for （int j＝0；j＜values.length；j＋＋）

（5）｛

（6）ret［i］［j］＝FieldImpValue （values ［i］，values［j］）＊c ［i］＊r；

（7）｝｝

（8）return imp；

1.5.2 算法4：數(shù)據(jù)可信值算法

輸入：數(shù)據(jù)值矩陣A，支持度矩陣B，數(shù)據(jù)源可信度矩陣t，迭代次數(shù)times

輸出：數(shù)據(jù)值可信度數(shù)組ds

參數(shù)：數(shù)據(jù)源可信度向量T，修正后的數(shù)據(jù)源可信度數(shù)組fixT，修正后的可信度值數(shù)組fixt

（1）for（int j＝0；j＜t.length；j＋＋）｛

（2）T ［j］＝－java.lang.Math.log （1－t ［j］）；｝

（3）int count＝0；

（4）while（count＜times）｛

（5）fixT＝calMatrix （B，T）；

（6）for（int k＝0；k＜fixT.length；k＋＋）｛

（7）ds ［k］＝1－java.lang.Math.exp （－fixT ［k］）；

（8）ds ［k］ ＝1／ （1＋java.lang.Math.exp （－ds［k］））；｝

（9）preT＝t；

（10）t＝calMatrix （A，ds）；

（11）for（int j＝0；j＜t.length；j＋＋）｛

（12）T ［j］＝－java.lang.Math.log （1－t ［j］）；｝

（13）count＋＋；｝

（14）return ds；

1.5.3 算法5：TRFinder算法

輸入：數(shù)據(jù)值數(shù)組FValues［］［］，數(shù)組的列數(shù)i代表屬性個(gè)數(shù)，數(shù)組的行數(shù)j代表數(shù)據(jù)源數(shù)量

輸出：可信記錄數(shù)組tRecord［］

（1）for（int k＝0；k＜j；k＋＋）

（2）利用算法3計(jì)算k屬性的可信度值數(shù)組可信度值最大的數(shù)據(jù)值添加到tRecord

（3）輸出可信記錄tRecord

2 實(shí)驗(yàn)驗(yàn)證

圖2 TRFinder模型

2.1 初始化參數(shù)對(duì)算法的影響

提供基建系統(tǒng)s1、物資系統(tǒng)s2、營(yíng)銷系統(tǒng)s3這3個(gè)數(shù)據(jù)源的一條重復(fù)供貨范圍數(shù)據(jù)：

f（s1）＝ ｛計(jì)算機(jī)軟件系統(tǒng)開發(fā)及應(yīng)用服務(wù)；計(jì)算機(jī)網(wǎng)絡(luò)工程、系統(tǒng)信息安全服務(wù)；計(jì)算機(jī)及智能綜合布線、技術(shù)咨詢；電子電器設(shè)備、計(jì)算機(jī)及其配件、消耗品、軟件產(chǎn)品銷售｝。

f（s2）＝ ｛計(jì)算機(jī)及智能綜合布線、技術(shù)咨詢；電子電器設(shè)備、計(jì)算機(jī)及其配件、消耗品、軟件產(chǎn)品銷售｝。

f（s3）＝ ｛電子電器設(shè)備、計(jì)算機(jī)及其配件、消耗品、軟件產(chǎn)品銷售｝。

初始化參數(shù)令t（s1）＝t（s2）＝t（s3）＝r，修正系數(shù)設(shè)置為0.3，迭代次數(shù)設(shè)置為10次。

r與ρ對(duì)數(shù)據(jù)源可信度的影響見表2。

表2 r與ρ對(duì)數(shù)據(jù)源可信度的影響

從以上結(jié)果可以看出不同的初始值對(duì)可信度記錄的生成沒有影響，體現(xiàn)了算法具有很強(qiáng)的魯棒性。

2.2 迭代收斂的情況

r＝0.9，ρ＝0.8，迭代次數(shù)為8次，其余條件采用2.1的。

迭代次數(shù)對(duì)數(shù)據(jù)源準(zhǔn)確度的影響見表3。

表3 迭代次數(shù)對(duì)數(shù)據(jù)源準(zhǔn)確度的影響

表3顯示算法收斂的很快，在第8次迭代，精確到10－5方的情況下s1，s2，s3的可信度變化情況為0，小于10－5，算法終止。在僅僅提供一個(gè)值的情況下，數(shù)據(jù)源的可信度及為數(shù)據(jù)值的可信度，最可信的數(shù)據(jù)應(yīng)該為s1提供的數(shù)據(jù)即 “計(jì)算機(jī)軟件系統(tǒng)開發(fā)及應(yīng)用服務(wù)；計(jì)算機(jī)網(wǎng)絡(luò)工程、系統(tǒng)信息安全服務(wù)；計(jì)算機(jī)及智能綜合布線、技術(shù)咨詢；電子電器設(shè)備、計(jì)算機(jī)及其配件、消耗品、軟件產(chǎn)品銷售”，從直觀上看，這個(gè)數(shù)據(jù)比另兩數(shù)據(jù)更加全面，也攜帶了更多的信息。通過這個(gè)例子也展示了文中提出的不對(duì)稱支持度計(jì)算方法的優(yōu)越性。

2.3 與其他算法比較

TRFinder主要是針對(duì)主數(shù)據(jù)管理系統(tǒng)的需求思考產(chǎn)生的，TRFinder算法與TrustFinder及NEWACCU等算法的不同之處主要體現(xiàn)在兩點(diǎn)：

（1）字符串支持度計(jì)算上，實(shí)現(xiàn)上TRFinder采用了非對(duì)稱的支持度計(jì)算算法。

（2）針對(duì)不同的數(shù)據(jù)類型提供了不同的支持度算法。

2.3.1 不同字符串支持度算法對(duì)結(jié)果影響

主要比較TrustFinder、ACCU、NEWACCU算法所使用的編輯距離的對(duì)稱算法與本文使用的基于統(tǒng)計(jì)與位置的改進(jìn)PCM算法。

對(duì)于書籍 《web數(shù)據(jù)挖掘》，通過百度搜索，從不同的網(wǎng)站獲取作者信息如下，數(shù)據(jù)源初始準(zhǔn)確度均為0.8，可信度調(diào)節(jié)參數(shù)設(shè)為0.9。web世界的數(shù)據(jù)見表4。

表4 web世界的數(shù)據(jù)

不同算法準(zhǔn)確度對(duì)比見表5。

開始運(yùn)行時(shí)，每個(gè)數(shù)據(jù)源只提供一個(gè)數(shù)據(jù)，所以數(shù)據(jù)值的可信度與數(shù)據(jù)源的可信度是一致的。程序運(yùn)行結(jié)果顯示TrustFinder選擇 ｛劉兵 （Liu.B）｝作為可信數(shù)據(jù)，而TRFinder算法選擇了 ｛（美國(guó)）劉兵 （Liu.B）譯者：俞勇｝作為可信數(shù)據(jù)，而通過查看原書的封面發(fā)現(xiàn) ｛Bing Liu著 ；俞勇，薛貴榮，韓定一譯｝才是真值，盡管如此，直觀的來看TRFinder選擇的真值依然比TrustFinder算法信息更加全面，更加可信。為驗(yàn)證縮寫、少寫，及位置調(diào)換對(duì)算法的影響，用以下模擬數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。模擬數(shù)據(jù)見表6。

表5 不同算法準(zhǔn)確度對(duì)比

表6 模擬數(shù)據(jù)

運(yùn)算結(jié)果顯示：TrustFinder算法選擇了 ｛Bing Liu著；俞勇，韓定一譯｝做為可信數(shù)據(jù)，而TRFinder算法選擇了｛Bing Liu著；俞勇，薛貴榮，韓定一譯｝做為真值，實(shí)驗(yàn)驗(yàn)證了TRFinder算法比TrustFinder等算法使用的對(duì)稱算法更容易發(fā)現(xiàn)真值。也保留了更多地真值信息。

2.3.2 算法準(zhǔn)確率比較

為了使實(shí)驗(yàn)結(jié)果具有可比性，算法準(zhǔn)確性驗(yàn)證采取與原實(shí)驗(yàn)相同的books＿authors數(shù)據(jù)集 （特別感謝哈工大張志強(qiáng)教授提供的驗(yàn)證數(shù)據(jù)集）。設(shè)置數(shù)據(jù)源初始可信度為0.8，相似度支持因子為0.7。

books＿authors數(shù)據(jù)集上的部分實(shí)驗(yàn)結(jié)果見表7。

表7 books＿authors數(shù)據(jù)集上的部分實(shí)驗(yàn)結(jié)果

通過查看書籍的封面，確定真值為：｛｛o＇leary，timothy j.； o＇leary，linda i.｝；｛yacht，carol； crosson，susan｝；｛haag，stephen； perry，james t.； sosinsky，barrie；estevez，efren｝；｛scambray，joel； mcclure，stuart｝；｛courage，catherine； baxter，Kathy｝； ｛goldman，ron；gabriel，richard p.｝； ｛makofske，david； almeroth，kevin｝； ｛dann，wanda p.； cooper，stephen； pausch，randy｝；｛geary，david； horstmann，cay｝；｛shaffer，clifford a.｝；｝

不同算法books＿authors數(shù)據(jù)集上準(zhǔn)確率對(duì)比見表8。

表8 不同算法books＿authors數(shù)據(jù)集上準(zhǔn)確率對(duì)比

對(duì)比以上數(shù)據(jù)可以發(fā)現(xiàn)，TRFinder算法的準(zhǔn)確率比TruthFinder算法提高了10個(gè)百分點(diǎn)，比Vote算法提高了39個(gè)百分點(diǎn)。通過針對(duì)部分?jǐn)?shù)據(jù)進(jìn)行實(shí)際分析發(fā)現(xiàn)，不對(duì)稱支持度算法使具有更多信息量的值留了下來。多數(shù)的網(wǎng)站只列出了部分作者，沒有完全的作者信息，所以使用Vote算法選出的很多不是真值；而TruthFinder使用了基于編輯距離的字符串相似度算法替代支持度算法，計(jì)算的結(jié)果經(jīng)常遺漏作者；而TRFinder算法考慮了支持度計(jì)算的非對(duì)稱特性，計(jì)算的結(jié)果雖然也有與書籍封面不一致的數(shù)據(jù)，從選出的部分?jǐn)?shù)據(jù)來看，沒有遺漏任何作者信息，特別是針對(duì)經(jīng)常出現(xiàn)的簡(jiǎn)寫、少寫及位置調(diào)換等常見現(xiàn)象真值發(fā)現(xiàn)的準(zhǔn)確度更高。

3 結(jié)束語(yǔ)

針對(duì)主數(shù)據(jù)管理中出現(xiàn)的多業(yè)務(wù)系統(tǒng)數(shù)據(jù)沖突的問題，總結(jié)了目前典型的解決數(shù)據(jù)沖突的方法，結(jié)合主數(shù)據(jù)管理的業(yè)務(wù)需求及應(yīng)用場(chǎng)景，提出了一種新的計(jì)算不同數(shù)據(jù)值支持度的非對(duì)稱算法，較好的解決了目前主數(shù)據(jù)集成中常出現(xiàn)的簡(jiǎn)寫、少寫、位置調(diào)換、錯(cuò)誤書寫等問題，并提出了用于解決主數(shù)據(jù)生成的TRFinder算法。從實(shí)驗(yàn)效果上看，TRFinder比Vote算法及TrustFinder算法具有更高的準(zhǔn)確率，較全面地保留了真值的信息。目前的實(shí)現(xiàn)算法中沒有考慮數(shù)據(jù)的動(dòng)態(tài)特性，擬進(jìn)一步就數(shù)據(jù)的動(dòng)態(tài)特性進(jìn)行研究。

［1］Bleiholder J，Naumann F.Conflict handing strategies in an integrated information system ［C］／／Edinburgh，UK：Proceedings of the International Workshop on Information Integration on the Web，2006：36－41.

［2］Naumann F，Bilke A，Bleiholder J，et al.Data fusion in threesteps：Resolving schema，tuple，and value inconsistencies［J］.IEEE Data Engineering Bulletin，2006，29 （2）：21－31.

［3］Whang Steven Euijong，Menestrina David，Koutrika Georgiaet al.Entity resolution with iterative blocking ［C］／／Rhod.Rhode Island，USA：Proceedings of the 35th SIGMOD Internatational Conference on Management of Data，2009：219－231.

［4］Panse F，keulen M V，Keijzer A D，et al.Duplicate detection in probabilistic data ［C］／／LongBeach，CA：Proceedings of 26th International Confernece on Data Engineering Workshop，2010：179－182.

［5］Yin X，Han J，Yu P S.Truth discovery with multiple conicting information providers on the Web ［J］.IEEE Transactions on Knowledge and Engineering，2008，20 （6）：796－808.

［6］Dong X L，Berti Equille L，Srivastava D.Integrating conflicting data：The role of source dependence［J］.PVLDB，2009，2 （1）：550－561.

［7］Dong X L，Naumann F.Data fusion resolving data conflicts for integration ［J］.PVLDB，2009，2 （2）：1654－1655.

［8］Dong X L，Berti Equille L，Srivastava D.Truth discovery and copying detection in a dynamic world ［J］.PVLDB，2009，2（1）：562－573.

［9］KAO Mingjun，ZHANG Wei，GAO Hong.Truth discovery methods in conflict data integration ［J］，Journal of Computer Research and Development，2010，47 （Suppl.）：188－192 （in Chinese）.［考明軍，張煒，高宏.沖突數(shù)據(jù)中的真值發(fā)現(xiàn)算法 ［J］.計(jì)算機(jī)研究與發(fā)展，2010，47 （增刊）：188－192.］

［10］ZHANG Zhiqiang，LIU Lixia，XIE Xiaoqin，et al.Information evaluation based on source dependence ［J］.Chinese Journal of Computers，2012，35 （11）：2392－2402 （in Chinese）.［張志強(qiáng)，劉麗霞，謝曉琴，等.基于數(shù)據(jù)源依賴關(guān)系的數(shù)據(jù)源信息評(píng)價(jià)方法研究 ［J］.計(jì)算機(jī)學(xué)報(bào)，2012，35 （11）：2392－2402.］

［11］Nawaz Z，Al－Ars Z，Bertels K，et al.Accelerationa of simth－waterman using recursive variable expansion ［C］／／Parma，Italy：Proceedings of the 11th EUROMICRO Conference on Digital System Design Architectures，Methods and Tools，2008：915－922.