基于编辑距离和条件函数依赖的酒店数据清洗方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 引言 | 第8-13页 |
| 1.1 概述 | 第8页 |
| 1.2 选题意义和动机 | 第8-9页 |
| 1.3 研究现状 | 第9-11页 |
| 1.3.1 关于数据清理和数据实体匹配的研究现状 | 第9-10页 |
| 1.3.2 关于函数依赖的研究现状 | 第10-11页 |
| 1.4 主要工作和课题目标 | 第11-12页 |
| 1.5 论文组织结构 | 第12-13页 |
| 第2章 背景与预备知识 | 第13-22页 |
| 2.1 数据清理 | 第13-14页 |
| 2.1.1 数据清理问题分类 | 第13-14页 |
| 2.1.2 数据清洗的方法 | 第14页 |
| 2.1.3 一个重要的问题 | 第14页 |
| 2.2 主数据 | 第14-16页 |
| 2.3 编辑距离 | 第16-18页 |
| 2.4 条件函数依赖 | 第18-22页 |
| 第3章 系统概要设计 | 第22-29页 |
| 3.1 问题引入与初步设想 | 第22-23页 |
| 3.2 系统概述 | 第23-24页 |
| 3.3 数据预处理模块 | 第24页 |
| 3.4 数据抽取模块 | 第24-27页 |
| 3.4.1 一般抽取子模块 | 第24-25页 |
| 3.4.2 递增抽取子模块 | 第25页 |
| 3.4.3 示例 | 第25-26页 |
| 3.4.4 主数据抽取子模块 | 第26-27页 |
| 3.5 修复模块 | 第27-29页 |
| 第4章 实现细节 | 第29-40页 |
| 4.1 数据预处理 | 第29-30页 |
| 4.1.1 数据加载 | 第29-30页 |
| 4.1.2 其他的问题 | 第30页 |
| 4.2 主数据的抽取 | 第30-34页 |
| 4.2.1 捕获潜在重复组 | 第30-33页 |
| 4.2.1.1 一般匹配算法 | 第30-31页 |
| 4.2.1.2 算法释义 | 第31页 |
| 4.2.1.3 递增匹配算法 | 第31-33页 |
| 4.2.1.4 算法释义 | 第33页 |
| 4.2.2 主数据的选择 | 第33-34页 |
| 4.3 约束检查 | 第34-38页 |
| 4.3.1 检测单个条件函数依赖 | 第34-35页 |
| 4.3.2 检测多个条件函数依赖 | 第35-38页 |
| 4.3.2.1 合并集合中的所有条件函数依赖 | 第35-37页 |
| 4.3.2.2 统一表格T_∑中的约束检查 | 第37-38页 |
| 4.4 数据修复 | 第38-40页 |
| 第5章 实验与算法评估 | 第40-48页 |
| 5.1 实验场景 | 第40-41页 |
| 5.1.1 硬件与软件 | 第40页 |
| 5.1.2 数据集 | 第40-41页 |
| 5.2 实验结果 | 第41-47页 |
| 5.2.1 可用性 | 第41-42页 |
| 5.2.2 性能 | 第42-46页 |
| 5.2.3 运行时间 | 第46-47页 |
| 5.3 小节 | 第47-48页 |
| 第6章 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读学位期间的研究成果 | 第54页 |
