ارائه يك روش كارا براي بلاكبندي در تطبيق موجوديت با استفاده از يادگيري عميق

كارشناسي ارشد

تطبيق موجوديت به فرآيند شناسايي و ادغام ركوردهاي متعلق به موجوديت¬هاي يكتا اشاره دارد. روش استاندارد، استفاده از يك مدل مبتني بر قانون يا مدل يادگيري ماشين، براي مقايسه و اختصاص يك امتياز براي نشان دادن وضعيت تطبيق و عدم تطبيق جفت ركورد¬ها است. با اين حال، انجام يك مقايسه جامع در تمام جفت ركوردها منجر به پيچيدگي تطبيق درجه دوم مي¬شود و در نتيجه قبل از تطبيق، بلاك-بندي انجام مي¬شود تا موجوديت¬هاي مشابه را به بلاك¬هاي كوچك گروه¬بندي كند و سپس عمليات تطبيق به طور جامع انجام شود. براي بلاك¬بندي كارآمد و موثر مجموعه داده¬هاي ورودي به گروه¬هايي قابل مديريت، چندين روش بلاك¬بندي ارائه شده است كه عموما به روش¬هاي بلاك¬بندي مبتني بر شِما، شِما آگنوستيك، روش¬هاي پردازش بلاك و فرابلاك¬بندي تقسيم¬بندي مي¬شوند. با اين¬حال عموم اين روش¬ها هيچ معيار معنايي براي بلاك¬بندي ركوردها در نظر نگرفتند. روش¬هاي مبتني بر يادگيري عميق از جمله روش¬هاي تعبيه كلمات به طور خودكار شباهت معنايي و نحوي ركورد¬هاي متني را استخراج مي¬كنند. در اين پژوهش يك روش كارا براي بلاك¬بندي در تطبيق موجوديت با استفاده از يادگيري عميق ارائه مي-دهيم. روش پيشنهادي يك روش فرابلاك¬بندي آگاه به معني است. شباهت معنايي ركوردها با استفاده از روش درهم¬سازي حساس به موقعيت (LSH) مبتني بر تعبيه كلمات (BERT) محاسبه مي¬شود تا از اين طريق به بلاك¬بندي سريع و قابل اعتماد در محيط داده در مقياس بزرگ برسيم. براي بهبود كيفيت بلاك-هاي ايجاد شده، ما يك گراف وزني از ركورد¬هاي معنايي مشابه ايجاد مي¬كنيم و بر اساس وزن محاسبه شده براي يال¬ها، يال¬هاي گراف را هرس مي¬كنيم. نتايج تجربي نشان داد كه روش پيشنهادي، با توجه به معيارهاي عمومي كيفيت جفت (PQ) و معيار F (FM) براي ارزيابي كيفيت بلاك، از 18 روش بلاك¬بندي موجود در سه منبع داده دنياي واقعي بهتر است.

194486

دانشگاه علم و صنعت ايران

نرم افزار

دكتر حسين رحماني