APP下载

跨数据源论文集成

2018-10-19张帆进顾晓韬姚沛然

中文信息学报 2018年9期
关键词:单词方法

张帆进,顾晓韬,姚沛然,唐 杰

(清华大学 计算机科学与技术系,北京 100084)

0 引言

在大数据时代,有很多实体分布在不同的数据源中。比如,很多学者分布在不同的研究者社交网络中,如 Google Scholar、MAG 等;同一论文可能分布在不同的数据源中,如DBLP、arXiv等。由此,一个自然的问题是: 如何把不同数据源中的数据集成起来?

具体地,本文研究异构数据源的论文集成问题,旨在利用论文的不同属性,将不同数据源中的同一实体匹配起来。集成不同数据源的数据有很大的应用价值,如可以扩充数据库或者进一步地将数据集成的结果应用于问答系统或信息检索等应用中。

然而,该研究面临着以下几方面挑战:

•数据异构[1]。由于论文数据分布在不同数据源,可能面临数据异构的问题。比如论文作者可能存在不同的格式,如Quoc Le和Le,Quoc。

•同名消歧问题[2-4]。同一名字可以表示多个实体,这也给数据集成带来了很大困难。不同论文可能有相同的题目,如Data、data everywhere可对应多篇文章。

•数据规模大。由于数据爆炸式增长,也要求数据集成能够有比较快的速度。以学术出版物为例,著名的出版集团Elsevier在过去的150年出版了大量学术刊物。据他们在数据库Scopus上的统计,从1996年至2014年,学术出版物的数量实现了翻倍,由此可见数据的快速增长。在大规模数据集成任务中,从外来数据源输入一个实体,要求能够在线匹配到可能的结果,同时还要保持较高的匹配准确率。

尽管现在已经有很多关于数据集成的工作,但是由于数据集成面临各种挑战,集成的准确率和速度仍然有很大的提升的空间。……

登录APP查看全文

猜你喜欢

单词方法
Exercise 1
学习方法
看图填单词
看完这些单词的翻译,整个人都不好了
用对方法才能瘦
四大方法 教你不再“坐以待病”!
赚钱方法
捕鱼
单词拾趣