時(shí)間約束的實(shí)體解析中記錄對(duì)排序研究

摘 要:實(shí)體解析是數(shù)據(jù)集成和數(shù)據(jù)清洗的重要組成部分,也是大數(shù)據(jù)分析與挖掘的必要預(yù)處理步驟.傳統(tǒng)的批處理式實(shí)體解析的整體運(yùn)行時(shí)間較長(zhǎng),無(wú)法滿足當(dāng)前(近似)實(shí)時(shí)的數(shù)據(jù)應(yīng)用需求.因此,研究時(shí)間約束的實(shí)體解析,其核心問(wèn)題是基于匹配可能性的記錄對(duì)排序.通過(guò)對(duì)多路分塊得到的塊內(nèi)信息與塊間信息分別進(jìn)行分析,提出兩個(gè)基本的記錄匹配可能性計(jì)算方法.在此基礎(chǔ)上,提出一種基于二分圖上相似性傳播的記錄匹配可能性計(jì)算方法.將記錄對(duì)、塊及其關(guān)聯(lián)關(guān)系構(gòu)建二分圖;相似性沿著二分圖不斷地在記錄對(duì)結(jié)點(diǎn)與塊結(jié)點(diǎn)之間傳播,直到收斂.收斂結(jié)果可以通過(guò)不動(dòng)點(diǎn)計(jì)算得到.提出近似的收斂計(jì)算方法來(lái)降低計(jì)算代價(jià),從而保證實(shí)體解析的實(shí)時(shí)召回率.最后,在兩個(gè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)評(píng)價(jià),驗(yàn)證了所提出方法的有效性,并測(cè)試方法的各個(gè)方面。

實(shí)體解析(entity resolution,簡(jiǎn)稱ER)是數(shù)據(jù)集成和數(shù)據(jù)清洗的重要組成部分,它將數(shù)據(jù)源中描述相同實(shí)體的記錄分到同一組[1?15].大數(shù)據(jù)具有多樣性的特點(diǎn),描述同一實(shí)體的記錄可能以多種形式出現(xiàn),成為大數(shù)據(jù)可用性的一個(gè)瓶頸,因此,ER 是大數(shù)據(jù)分析與挖掘的必要預(yù)處理操作[15].傳統(tǒng)的ER 包括分塊、相似性計(jì)算和匹配決定等步驟,將整個(gè)臟數(shù)據(jù)集作為輸入,批處理之后整體輸出解析結(jié)果[1,3].在大數(shù)據(jù)時(shí)代,一方面,數(shù)據(jù)產(chǎn)生的速度和更新的頻率比以往更快;另一方面,大量(近似)實(shí)時(shí)的數(shù)據(jù)分析應(yīng)用出現(xiàn)要求有限的時(shí)間內(nèi)解析出盡量多的匹配記錄,稱為時(shí)間約束的實(shí)體解析(entity resolution with time constraint,簡(jiǎn)稱TC-ER),傳統(tǒng)的批處理ER 無(wú)法滿足這種新需求.

當(dāng)前有很多時(shí)間約束的ER 應(yīng)用,例如犯罪偵查應(yīng)用中要求近似實(shí)時(shí)的實(shí)體解析,希望在較短時(shí)間內(nèi)解析出一部分嫌疑人記錄來(lái),以便及時(shí)地布署偵查行動(dòng).盡管短時(shí)間內(nèi)解析的結(jié)果不完整,但及時(shí)的解析結(jié)果可以大大增加抓捕到嫌疑人的可能性.再例如網(wǎng)購(gòu)比價(jià)服務(wù)(如一淘網(wǎng))中,互聯(lián)網(wǎng)用戶搜索了一件商品后,系統(tǒng)將盡快返回一部分匹配的商品條目,并逐漸優(yōu)化搜索結(jié)果,這樣可以提升用戶體驗(yàn),因?yàn)楸娝苤?互聯(lián)網(wǎng)用戶是沒(méi)有耐心的.

時(shí)間約束的ER 希望在給定的短時(shí)間(遠(yuǎn)少于批處理運(yùn)行時(shí)間)內(nèi)將解析結(jié)果最大化.TC-ER 的關(guān)鍵在于實(shí)體解析過(guò)程中的記錄對(duì)選擇,即優(yōu)先選擇匹配可能性大的記錄對(duì)進(jìn)行解析.Whang 等人提出了3 個(gè)基于“線索”的啟發(fā)式Pay-as-you-go ER 方法,其中的“線索”分別是排序的記錄對(duì)列表、記錄集合的層次劃分和排序的記錄列表[6].Papenbrock 等人提出一組基于排序的記錄列表的漸進(jìn)式ER 方法,其中,漸進(jìn)式滑動(dòng)窗口方法將變化的窗口多次滑過(guò)排序列表生成候選對(duì);漸進(jìn)式分塊方法將排序列表劃分成等規(guī)模小塊,然后漸進(jìn)地?cái)U(kuò)大分塊范圍[7].Papenbrock 等人提出的基于排序列表的方法要優(yōu)于Whang 等人提出的基于“線索”的方法[7].這些方法都假定已知最優(yōu)分塊鍵或排序鍵,并且無(wú)法對(duì)記錄對(duì)進(jìn)行全局排序,因此可用性和實(shí)時(shí)召回率都比較受限.由此可見(jiàn),已有的時(shí)間約束的ER 方法有較大的改進(jìn)空間.

本文研究時(shí)間約束的實(shí)體解析中記錄對(duì)排序,通過(guò)優(yōu)先選擇匹配可能性高的記錄對(duì)進(jìn)行解析,來(lái)保證實(shí)時(shí)的召回率.分塊是ER 中降低計(jì)算代價(jià)的基本的、有效的手段[16?26],然而單憑分塊方法無(wú)法實(shí)現(xiàn)時(shí)間約束的ER.整體而言,將分析和挖掘分塊信息來(lái)估計(jì)記錄對(duì)的相似性.將臟數(shù)據(jù)集進(jìn)行多路分塊后生成有交疊的塊集合,如果一個(gè)塊包含的記錄越多,那么塊內(nèi)記錄的匹配可能性越小;如果兩條記錄共同出現(xiàn)的塊數(shù)目越多,那么它們的匹配可能性越大.首先,基于這些直觀的思想,提出兩個(gè)基本的記錄對(duì)相似性估計(jì)方法,分別利用了塊內(nèi)信息和塊間信息.接下來(lái),通過(guò)考慮記錄對(duì)的相似性與塊的質(zhì)量之間的相互影響來(lái)改進(jìn)基本的相似性估計(jì)方法.將記錄對(duì)、塊及其關(guān)聯(lián)關(guān)系映射成二分圖;然后相似性在二分圖上迭代地傳播,直到收斂,獲得最終的相似性.基于圖傳播的相似性估計(jì)充分挖掘了分塊的隱藏信息,從而更有效.提出了基于不動(dòng)點(diǎn)迭代的收斂結(jié)果計(jì)算方法,然而其計(jì)算代價(jià)較大;進(jìn)一步提出了近似的收斂結(jié)果計(jì)算方法,力求在不影響記錄對(duì)相似性估計(jì)有效性的前提下降低計(jì)算代價(jià),從而保證時(shí)間約束的ER 的實(shí)時(shí)召回率.通過(guò)實(shí)驗(yàn)評(píng)估,證明了提出方法的有效性.

本文的主要貢獻(xiàn)總結(jié)如下:

·提出兩種基本的記錄對(duì)相似性估計(jì)方法,分別利用了塊的質(zhì)量(塊內(nèi)信息)和記錄與不同塊的隸屬關(guān)系(塊間信息);

·提出了基于相似性傳播的記錄對(duì)相似性估計(jì)方法,利用二分圖上可收斂的相似性傳播來(lái)衡量記錄對(duì)的相似性,通過(guò)不動(dòng)點(diǎn)迭代來(lái)計(jì)算收斂結(jié)果,并提出了近似方法來(lái)降低計(jì)算代價(jià);

·在兩個(gè)數(shù)據(jù)集上,通過(guò)與已有方法的對(duì)比測(cè)試,證明了本文提出方法的有效性;此外,對(duì)比了不同的相似性估計(jì)方法的表現(xiàn),并測(cè)試了迭代次數(shù)對(duì)基于相似性傳播的記錄對(duì)相似性估計(jì)方法的影響.

本文第1 節(jié)定義研究的問(wèn)題,并概括地介紹研究框架.第2 節(jié)介紹兩種基本的記錄對(duì)相似性估計(jì)方法.第3節(jié)提出基于二分圖上相似性傳播的記錄對(duì)相似性估計(jì)方法,并通過(guò)近似方法降低計(jì)算代價(jià).第4 節(jié)在兩個(gè)數(shù)據(jù)集上評(píng)價(jià)本文提出的方法,驗(yàn)證其有效性.第5 節(jié)介紹相關(guān)工作.最后總結(jié)全文,并指出下一步可能的研究方向.

1 研究概述

定義1(實(shí)體解析).給定一個(gè)臟數(shù)據(jù)集R={r},ER 將描述相同實(shí)體的記錄分到一組,C={ck|?ri∈ck,ri∈R∧φ(ri)=ek∧?rj∈cl∧φ(rj)=ek},其中,φ(?)是從記錄到實(shí)體的映射函數(shù),ek 表示分組ck 對(duì)應(yīng)的實(shí)體,cl 為不同于ck 的一個(gè)分組.

如圖1 所示,ER 傳統(tǒng)上是批處理操作,通常包括3 個(gè)步驟:分塊、相似度計(jì)算和匹配決定,其中,前者是可選步驟,后兩者是必要步驟[1].

Fig.1 Entity resolution model

圖1 實(shí)體解析模型

(1)相似性計(jì)算

利用記錄相似性函數(shù)計(jì)算兩條記錄的相似性,通常,相似性表示為[0,1]范圍內(nèi)的數(shù)值.兩條記錄的相似性越大,匹配可能性越大,0 表示不可能匹配,1 表示完全匹配.記錄通常包括多個(gè)屬性,比如,一條個(gè)人信息的記錄包括姓名、年齡、工作單位、城市、省份和郵編等,不同的屬性需要使用不同的相似性函數(shù)來(lái)計(jì)算相似性.記錄屬性以文本型為主,以數(shù)字型為輔.針對(duì)文本屬性,目前已有多種字符串相似性函數(shù),如TF-IDF、Q-gram、Jaccard、編輯距離等[27].針對(duì)數(shù)字屬性,則需要采用專門(mén)的函數(shù)進(jìn)行比較,比如差值、漢明距離等.記錄相似性函數(shù)選擇多個(gè)屬性,分別選擇適合的相似性函數(shù)來(lái)計(jì)算屬性相似性,最后將多個(gè)屬性相似性聚集得到記錄相似性,聚集方式包括線性組合、非線性組合等,與匹配決定的策略相關(guān).

(2)匹配決定

根據(jù)記錄的相似性來(lái)決定記錄是否匹配有兩類方法:分類和聚類.基于分類的匹配決定使用支持向量機(jī)(support vector machine,簡(jiǎn)稱SVM)、遺傳算法、主動(dòng)學(xué)習(xí)和決策樹(shù)等方法來(lái)決定記錄對(duì)是否匹配[3].一部分分類方法是監(jiān)督的,需要專家標(biāo)注大量的訓(xùn)練數(shù)據(jù),從而學(xué)習(xí)出有效的匹配規(guī)則(即分類器).還有一部分分類方法的匹配規(guī)則是由領(lǐng)域?qū)＜叶x的,需要較多的領(lǐng)域知識(shí).基于聚類的匹配決定使用MinCut,Markov Clustering 等聚類算法來(lái)處理成對(duì)的相似性,得到的聚類結(jié)果即為實(shí)體解析結(jié)果.同一類簇表示同一實(shí)體,不同類簇表示不同實(shí)體[2,28].本文將ER 當(dāng)作分類問(wèn)題,認(rèn)為匹配規(guī)則已獲得,記作m(*,*),也稱為解析函數(shù).如果m(ri,rj)返回真,記錄ri,rj 匹配;否則,m(ri,rj)返回假,記錄ri,rj 不匹配.

(3)分塊

實(shí)體解析是兩兩比較的運(yùn)算,因此計(jì)算代價(jià)為平方級(jí).當(dāng)待處理的臟數(shù)據(jù)集規(guī)模較大時(shí),計(jì)算代價(jià)將是巨大的,并且包含大量的無(wú)用計(jì)算.分塊是ER 中最常用的減小計(jì)算代價(jià)的技術(shù)[16?26],可以在不影響解析質(zhì)量的前提下,有效地縮小搜索空間.分塊技術(shù)將描述可能匹配的記錄分到同一塊內(nèi),將不可能匹配的記錄分在不同的塊內(nèi).分塊通過(guò)分塊鍵(blocking key,簡(jiǎn)稱BK)來(lái)實(shí)現(xiàn),而B(niǎo)K 通過(guò)記錄屬性來(lái)構(gòu)建.當(dāng)利用一個(gè)分塊鍵對(duì)數(shù)據(jù)集進(jìn)行劃分后,擁有相同分塊鍵值(blocking key value,簡(jiǎn)稱BKV)的記錄將進(jìn)入同一塊內(nèi).同一塊內(nèi)的任意兩條記錄稱為候選匹配記錄對(duì)或候選對(duì).

定義2(時(shí)間約束的實(shí)體解析).給定一個(gè)臟數(shù)據(jù)集R,傳統(tǒng)的ER 處理R 的時(shí)間為TER,給定時(shí)間t<

TC-ER 的流程見(jiàn)算法1.

算法1.TC-ER 框架.

觀察算法1 可知,TC-ER 的核心問(wèn)題在于優(yōu)化實(shí)體解析的順序,優(yōu)先解析匹配可能性大的記錄對(duì).如圖1 所示,在分塊與相似度計(jì)算之間增加記錄對(duì)排序.記錄對(duì)排序的依據(jù)是記錄對(duì)的匹配可能性,即估計(jì)的記錄對(duì)相似性,因此,TC-ER 的關(guān)鍵在于如何通過(guò)較小的代價(jià)準(zhǔn)確地估計(jì)記錄對(duì)的相似性.

本文將通過(guò)分析和挖掘分塊信息來(lái)估計(jì)記錄對(duì)的相似性:(1)第2 節(jié)提出兩個(gè)基本的記錄對(duì)相似性估計(jì)方法,這兩個(gè)方法分別從分塊質(zhì)量和記錄-塊的隸屬關(guān)系的角度來(lái)分析塊信息,從而估計(jì)記錄對(duì)相似性;(2)第3 節(jié)提出基于相似性傳播的記錄對(duì)相似性估計(jì)方法,將記錄對(duì)、塊及其關(guān)聯(lián)關(guān)系表示為二分圖,并通過(guò)迭代的傳播算法來(lái)挖掘分塊信息,從而改進(jìn)基本的相似性估計(jì).

定義3(多路分塊).給定一個(gè)臟數(shù)據(jù)集R={r}和一組分塊鍵的集合BK={bki|0≤i

b 表示塊,塊中的一對(duì)記錄ri,rj∈b 稱為候選對(duì),記作〈ri,rj〉;|b|表示塊b 的規(guī)模,||b||表示塊b 的勢(shì)(cardinality),即塊內(nèi)候選對(duì)的數(shù)目,記作||b||=|b|(|b|?1)/2.|B|表示塊集合B 的規(guī)模,||B||表示塊集合B 的勢(shì),即集合內(nèi)候選對(duì)的總數(shù)目.Bi 表示記錄ri 所在塊的集合.

2 基本的記錄對(duì)相似性估計(jì)

本節(jié)提出兩種基本的相似性估計(jì)方法(basic estimated similarity,簡(jiǎn)稱BES),BES 通過(guò)直觀地分析分塊信息來(lái)計(jì)算記錄對(duì)的相似性.

2.1 基于塊質(zhì)量的記錄對(duì)相似性估計(jì)

給定一個(gè)塊,這個(gè)塊包含的記錄對(duì)越多,那么這個(gè)塊內(nèi)的任意一個(gè)記錄對(duì)的匹配可能性越小.將一個(gè)塊內(nèi)記錄對(duì)的匹配可能性的平均值稱為塊的冗余性.一個(gè)塊的信息量是確定的,塊內(nèi)的記錄對(duì)越多,那么每個(gè)記錄對(duì)平均分得的信息量就越小,塊的冗余性就越小.將用冗余性(redudancy,簡(jiǎn)稱rd)評(píng)估塊的質(zhì)量,表示為公式(1):

例如,塊b1包括一個(gè)記錄對(duì),塊b2包括3 個(gè)記錄對(duì),那么rd(b1)=1>rd(b2)=1/3.

給定一個(gè)記錄對(duì)〈ri,rj〉,將它所在塊的冗余性進(jìn)行聚集來(lái)估計(jì)相似性,如公式(2),記作RD-ES,其中,K 是多路分塊的路數(shù),通過(guò)K來(lái)規(guī)約,保證相似性落在[0,1]范圍:

2.2 基于Jaccard系數(shù)的記錄對(duì)相似性估計(jì)

對(duì)于一對(duì)記錄〈ri,rj〉,如果兩者共同出現(xiàn)在越多的塊中,那么兩者的相似性應(yīng)該越大;另一方面,如果兩者分別出現(xiàn)在越多的不同塊中,那么兩者的差異性應(yīng)該越大.通過(guò)Jaccard 系數(shù)可以表達(dá)上述思想,用一個(gè)對(duì)記錄的共同出現(xiàn)的塊的數(shù)目除以這對(duì)記錄各自出現(xiàn)的塊的并集的規(guī)模,如公式(3),記作JC-ES:

3 基于相似性傳播的記錄對(duì)相似性估計(jì)

BES 通過(guò)靜態(tài)地分析分塊信息來(lái)估計(jì)記錄對(duì)的相似性,沒(méi)有考慮記錄對(duì)相似性與塊質(zhì)量的潛在的相互影響.將通過(guò)記錄對(duì)-塊之間的相似性傳播來(lái)改進(jìn)BES,稱為基于相似性傳播的相似性估計(jì)(similarity propagation based estimated similarity,簡(jiǎn)稱SP-ES).顯然,SP-ES 是以RD-ES 或者JC-ES 為基礎(chǔ)的.

例1:一個(gè)臟數(shù)據(jù)集d={r1,r2,r3,r4,r5,r6,r7},經(jīng)過(guò)分塊得到塊集合B={b1,b2,b3,b4},b1={r1,r2,r3},b2={r2,r3},b3={r4,r5,r6},b4={r5,r7},如圖2(a)所示;塊集合可表示為記錄對(duì)形式,B′={bp1,bp2,bp3,bp4},bp1={p12,p13,p23},bp2={p23},bp3={p45,p46,p56},bp4={p57},如圖2(b)所示.關(guān)注兩個(gè)候選對(duì)p12和p45,利用兩個(gè)BES 方法估計(jì)相似性,得到如下結(jié)果:(1)RD-ES,esRD(p12)=1/3,esRD(p45)=1/3,即esRD(p12)=esRD(p45);(2)JC-ES,esJC(p12)=1/2,esJC(p45)=1/2,即esJC(p12)=esJC(p45).兩個(gè)BES 方法都認(rèn)為p12和p45的相似性是相等的.然而進(jìn)一步分析分塊情況發(fā)現(xiàn):p23來(lái)自塊b2的相似性可以增強(qiáng)塊b1的冗余性,進(jìn)而p12從塊b1獲得更大的相似性;而塊b3不存在此類狀況.由此可見(jiàn),應(yīng)該有es(p12)>es(p45).接下來(lái),將通過(guò)相似性傳播來(lái)改進(jìn)BES,解決上述問(wèn)題.

Fig.2 An example of basic similarity estimations’ disadvantage

圖2 基本的記錄對(duì)相似性估計(jì)缺陷示例

3.1 相似性傳播的基本思想

本文中,相似性傳播的基本思想為:記錄對(duì)的相似性可以促進(jìn)所在塊的冗余性,塊的冗余性可以促進(jìn)塊內(nèi)記錄對(duì)的相似性.為了充分地表示記錄對(duì)與塊之間的關(guān)聯(lián)關(guān)系,將分塊結(jié)果表示為“記錄對(duì)-塊”二分圖(嚴(yán)格描述見(jiàn)定義4).相似性傳播是一種基于圖結(jié)構(gòu)的相似性計(jì)算方法[29,30],充分地挖隱藏信息,可以彌補(bǔ)其他相似性的不足.將通過(guò)例2 來(lái)直觀地了解記錄對(duì)與塊之間的相似性傳播.

定義4(“記錄對(duì)-塊”二分圖,簡(jiǎn)稱“對(duì)-塊圖”).給定一個(gè)記錄對(duì)形式的塊集合B,B 對(duì)應(yīng)的候選對(duì)集合為P,構(gòu)建一個(gè)無(wú)向的二分圖G=(Vp,Vb,E),其中,Vp={vpi|0≤i≤m}為記錄對(duì)結(jié)點(diǎn)集合,每個(gè)記錄對(duì)結(jié)點(diǎn)對(duì)應(yīng)一個(gè)記錄對(duì);Vb={vbj|0≤j≤n}為塊結(jié)點(diǎn)集合,每個(gè)塊結(jié)點(diǎn)對(duì)應(yīng)一個(gè)塊;E?Vp×Vb 是邊集合,表示記錄對(duì)與塊的隸屬關(guān)系.可以結(jié)合上方向來(lái)解讀邊的含義,給定一條邊,從塊結(jié)點(diǎn)到記錄對(duì)結(jié)點(diǎn),表示“包含”關(guān)系;而從記錄對(duì)結(jié)點(diǎn)到塊結(jié)點(diǎn),則表示“出現(xiàn)在”關(guān)系.本文為了便于表達(dá),將用P 同時(shí)表示記錄對(duì)結(jié)點(diǎn)集合和記錄對(duì)集合,用p 同時(shí)表示記錄對(duì)結(jié)點(diǎn)和記錄對(duì),用B 同時(shí)表示塊結(jié)點(diǎn)集合和塊集合,用b 同時(shí)表示塊結(jié)點(diǎn)和塊.

例2:續(xù)例1.將例1 中B′表示為二分圖G,如圖3 所示.初始時(shí),用RD-ES 來(lái)估計(jì)記錄對(duì)相似性(es),所有塊冗余性(rd)初始化為0,得到表1 中第1 行的初始值.接下來(lái),相似性通過(guò)二分圖傳播.

(1)P→B 傳播.以圖3(a)為例,記錄對(duì)結(jié)點(diǎn)p12和p13分別傳遞各自當(dāng)前的相似性(都是1/3)給鄰接的塊結(jié)點(diǎn)bp1,p23將當(dāng)前的相似性4/3 分別傳遞給鄰接的塊結(jié)點(diǎn)bp1和bp2;bp1獲得3 個(gè)相似性(分別為1/3,1/3,4/3),取均值為2/3 作為更新的冗余性,同理,bp2更新的冗余性為4/3,對(duì)G 所有的連通分量進(jìn)行相同的操作后,得到表1 中第2 行的結(jié)果;

(2)B→P 傳播.以圖3(a)為例,塊結(jié)點(diǎn)bp1將當(dāng)前的冗余性2/3 傳給鄰接的記錄對(duì)結(jié)點(diǎn)p12,p13和p23,bp2將當(dāng)前的冗余性4/3 傳給鄰接的結(jié)點(diǎn)p23;記錄對(duì)結(jié)點(diǎn)p12和p13分別獲得一個(gè)冗余性2/3,分別作為各自最新的相似性,同理,p23獲得兩個(gè)冗余性2/3 和4/3,求和得到2 作為p23最新的相似性(此處為簡(jiǎn)單的計(jì)算方式,后續(xù)將給出嚴(yán)格的計(jì)算方式),對(duì)G 所有的連通分量進(jìn)行相同的操作后,得到表1 中第3 行的結(jié)果.

經(jīng)過(guò)一次P→B→P 傳播后,es(p12)=2/3,es(p45)=1/3,那么es(p12)>es(p45),符合例1 中提出的預(yù)期.可見(jiàn),相似性傳播有助于準(zhǔn)確地估計(jì)記錄對(duì)的相似性,彌補(bǔ)基本的相似性估計(jì)方法的不足.

Fig.3 An example of pair-block barpitite graph

圖3“記錄對(duì)-塊”二分圖示例

Table 1 Example of similairity propagation on bipartite graphs

表1 二分圖上相似性傳播示例

3.2 基于對(duì)-塊圖的相似性傳播

接下來(lái),嚴(yán)格地定義對(duì)-塊圖上相似性傳播.首先定義兩個(gè)單步傳播:從記錄對(duì)結(jié)點(diǎn)到塊結(jié)點(diǎn)(P→B)的傳播和從塊結(jié)點(diǎn)到記錄對(duì)結(jié)點(diǎn)(B→P)的傳播.然后,在單步傳播的基礎(chǔ)上定義迭代的相似性傳播.

定義5(P→B 傳播).給定一個(gè)對(duì)-塊圖G=(P,B,E),pij∈P,bk∈B,pij 與bk 是鄰接結(jié)點(diǎn),pij 將當(dāng)前的相似性傳遞給每一個(gè)鄰接的塊結(jié)點(diǎn),bk 從每個(gè)鄰接記錄對(duì)結(jié)點(diǎn)接受相似性,并求平均值作為最新的冗余性,如公式(4)所示:

其中,N(bk)表示bk 的相鄰結(jié)點(diǎn)的集合.

一次P→B 傳播后,所有塊結(jié)點(diǎn)的冗余性將更新,而記錄對(duì)結(jié)點(diǎn)的相似性不變.

定義6(B→P 傳播).給定一個(gè)對(duì)-塊圖G=(P,B,E),pij∈P,bk∈B,pij 與bk 是鄰接結(jié)點(diǎn),bk 將當(dāng)前的冗余性傳遞給每一個(gè)鄰接的記錄對(duì)結(jié)點(diǎn),pij 從每個(gè)鄰接塊結(jié)點(diǎn)接受冗余性,求和后除以K 作為最新的冗余性,如公式(5)所示:

一次B→P 傳播后,所有記錄對(duì)結(jié)點(diǎn)的相似性將更新,而塊結(jié)點(diǎn)的冗余性不變.

參數(shù)K 是多路分塊的路數(shù),公式(5)中除以K 是為了將es 值規(guī)約到[0,1]范圍內(nèi),一個(gè)記錄對(duì)最多可能出現(xiàn)在K 個(gè)塊內(nèi).es 的規(guī)約對(duì)于后續(xù)迭代計(jì)算的收斂性非常重要.

定義7(P?B 傳播).給定一個(gè)對(duì)-塊圖G=(P,B,E),初始的記錄對(duì)相似性通過(guò)BES 得到,初始的塊冗余性為0.經(jīng)過(guò)一次P→B 傳播,更新塊冗余性;再經(jīng)過(guò)一次B→P 傳播,更新記錄對(duì)相似性.如此不斷迭代,直到記錄對(duì)相似性不再發(fā)生變化.容易知道,P?B 傳播是不可約、非周期、有限狀態(tài)的馬爾可夫鏈,因此必定收斂于平穩(wěn)分布[29].

例3:對(duì)圖3(a)進(jìn)行一次P→B→P 傳播,其中多路分塊的路數(shù)K≥2.初始時(shí),各記錄對(duì)相似性記作es0(p12),es0(p13)和es0(p23).

(1)P→B 傳播.根據(jù)定義5,計(jì)算得到更新的塊冗余性:

(2)B→P 傳播.根據(jù)定義6,利用公式(6)的計(jì)算結(jié)果,計(jì)算得到更新的記錄對(duì)相似性:

可以發(fā)現(xiàn),等式組(7)是記錄相似性的遞推關(guān)系,它隱藏了塊結(jié)點(diǎn),將P→B→P 傳播轉(zhuǎn)化為P→P 傳播.

3.3 不動(dòng)點(diǎn)計(jì)算

P?B 傳播的收斂結(jié)果計(jì)算可以作為一個(gè)不動(dòng)點(diǎn)計(jì)算(fixpoint computation)的問(wèn)題.本文主要關(guān)注記錄對(duì)相似性,因此直接使用記錄對(duì)相似性的遞推關(guān)系.將等式組(7)改寫(xiě)成向量與矩陣的運(yùn)算形式,如公式(8):

其中,向量為行向量.公式(8)中的3×3 矩陣是一個(gè)馬爾可夫鏈的轉(zhuǎn)移矩陣,記作Q0={qij|0≤i,j<3},qij 表示從狀態(tài)i轉(zhuǎn)移到狀態(tài)j 的概率,Q0不要求為對(duì)稱陣.特別地,K 的存在確保0≤qij≤1,并進(jìn)一步保證P?B 傳播的收斂性(例3 中K≥2);如果去掉K,則Q0不再是轉(zhuǎn)移矩陣,P?B 傳播不一定收斂.計(jì)算P?B 傳播的關(guān)鍵是轉(zhuǎn)移矩陣,接下來(lái)討論如何計(jì)算轉(zhuǎn)移矩陣.

定義8(鄰接矩陣).給定一個(gè)對(duì)-塊圖G=(P,B,E),P={pi|0≤i

定義9(轉(zhuǎn)移矩陣).給定一個(gè)對(duì)-塊圖G 和對(duì)→塊鄰接矩陣Amn,那么對(duì)→塊轉(zhuǎn)移矩陣Qmn 為

同理,可以根據(jù)塊→對(duì)鄰接矩陣Anm 計(jì)算得到塊→對(duì)轉(zhuǎn)移矩陣Qnm.

用矩陣來(lái)表示P→B→P 傳播,當(dāng)前記錄對(duì)的相似性向量為esx,塊的冗余性向量為rdx.那么:

(1)P→B 傳播.塊冗余性更新:

(2)B→P 傳播.記錄對(duì)相似性更新:

根據(jù)公式(12)易知,P→B→P 傳播的整體轉(zhuǎn)移矩陣為Qmm:

對(duì)于記錄對(duì)相似性,P→P 傳播與P→B→P 傳播等價(jià),進(jìn)而P?P 傳播與P?B 傳播等價(jià).

定義10(P?P 傳播).給定一個(gè)對(duì)-塊圖G 和P→P 轉(zhuǎn)移矩陣Qmm,與P?B 傳播等價(jià)的P?P 傳播中,一次P→P 傳播可表示為

不動(dòng)點(diǎn)計(jì)算的流程.

(1)利用BES 初始化記錄對(duì)相似性向量為es0;

(2)利用公式(14)計(jì)算下一輪記錄對(duì)相似性向量esx+1;

(3)不斷迭代步驟(2),直到殘差向量Δ(esx+1,esx)的每一維都小于ε.ε為殘差閾值,一般取一個(gè)較小常數(shù),例如0.005;

(4)當(dāng)?shù)Y(jié)束后,將最終的記錄對(duì)相似性向量記作essp,作為基于相似性傳播的相似性估計(jì)的結(jié)果輸出.

代價(jià)分析:P?P 傳播的一次迭代代價(jià)為O(m2),迭代次數(shù)為X,那么總代價(jià)為O(Xm2).對(duì)-塊圖G 實(shí)際是由多個(gè)連通分量組成,分量集合記作C={ci},|ci|<

3.4 近似的相似性傳播

P?P 傳播的不動(dòng)點(diǎn)計(jì)算的代價(jià)較大,對(duì)于時(shí)間約束的ER 來(lái)說(shuō)不可接受.為此,希望通過(guò)近似方法降低計(jì)算代價(jià).下面將通過(guò)分析迭代過(guò)程中相似性傳播的情況,來(lái)說(shuō)明較少的迭代次數(shù)可以近似地計(jì)算出相似性,并極大地減小計(jì)算代價(jià).

例4:圖4 呈現(xiàn)了一個(gè)較大的對(duì)-塊圖,觀察記錄對(duì)p3,其初始相似性為es0(p3),第1 次P→P 傳播后,p3的相似性傳遞到p3所在塊的其他記錄對(duì)p1,p2和p4,p5,分別得到es0(p3)/6;第2 次P→P 傳播后,p3的相似性傳遞到塊b3中的記錄對(duì)p6,p7,分別得到es0(p3)/36;第3 次P→P 傳播后,p3的相似性傳遞到塊b4中的記錄對(duì)p8,p9,分別得到es0(p3)/216.可以發(fā)現(xiàn):隨著迭代次數(shù)的增加,相似性傳遞得越來(lái)越遠(yuǎn),并且傳遞量發(fā)生指數(shù)級(jí)的衰減,而計(jì)算代價(jià)成倍增長(zhǎng).從物理意義的角度分析,p3與同一塊內(nèi)的記錄對(duì)關(guān)聯(lián)最強(qiáng),而與間接關(guān)聯(lián)的記錄對(duì)的關(guān)聯(lián)強(qiáng)度則隨距離增加而極大地減弱.由此得到啟發(fā),用較少的P?P 傳播的迭代來(lái)代替不動(dòng)點(diǎn)計(jì)算,即迭代次數(shù)X 取較小數(shù)值,如1 或2.這樣可以近似地計(jì)算出記錄對(duì)相似性,只損失微小的準(zhǔn)確性,但可以降低計(jì)算代價(jià),從而保證時(shí)間約束的ER 的實(shí)時(shí)召回率.將通過(guò)實(shí)驗(yàn)驗(yàn)證這種近似方法的有效性.

Fig.4 P?P propagation analysis

圖4 P?P 傳播分析

4 實(shí)驗(yàn)評(píng)價(jià)

4.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)代碼通過(guò)Java 實(shí)現(xiàn),Java 版本為1.7.運(yùn)行環(huán)境如下:處理器3.4GHz Intel(R)Core i7-2600,內(nèi)存8GB,操作系統(tǒng)為微軟Windows 10 專業(yè)版(64 位).

·數(shù)據(jù)集.

實(shí)驗(yàn)評(píng)價(jià)使用兩個(gè)數(shù)據(jù)集:一個(gè)真實(shí)數(shù)據(jù)集和一個(gè)合成數(shù)據(jù)集.真實(shí)的引文數(shù)據(jù)集DBLP-Scholar(記作DBLP)包含66 879 條引文記錄,其中有5 347 對(duì)匹配記錄,通過(guò)標(biāo)題、作者、期刊/會(huì)議、年份等4 個(gè)屬性描述[3].利用Febrl 數(shù)據(jù)生成器構(gòu)建一個(gè)合成的個(gè)人信息數(shù)據(jù)集(記作FB),包含150K 條個(gè)人記錄,其中有81 694 對(duì)匹配記錄,通過(guò)姓名、性別、生日、住址、城市、州和郵編等8 個(gè)屬性描述[32,33].

·評(píng)價(jià)指標(biāo).

本文的研究目標(biāo)是優(yōu)化實(shí)體解析順序,認(rèn)為解析函數(shù)已提前確定,準(zhǔn)確率與研究目標(biāo)是正交關(guān)系,因此采用實(shí)時(shí)召回率來(lái)評(píng)估方法.在第4.3 節(jié)的部分對(duì)比測(cè)試中,還采用Top-N 命中率來(lái)評(píng)價(jià),將在后續(xù)詳細(xì)介紹.

·解析函數(shù).

本文采用SVM 來(lái)訓(xùn)練分類器作為解析函數(shù)m(*,*)[33].

·方法設(shè)置.

對(duì)DBLP-Scholar 數(shù)據(jù)集進(jìn)行四路分塊,4 個(gè)分塊鍵為標(biāo)題的前3 個(gè)實(shí)詞、姓+名的前兩個(gè)字母、期刊/會(huì)議的前3 個(gè)實(shí)詞和年份.對(duì)FB 數(shù)據(jù)集進(jìn)行四路分塊,4 個(gè)分塊鍵為姓+名的前兩個(gè)字母、生日、城市和郵編.漸進(jìn)式滑動(dòng)窗口(progressive sorted neighborhood method,簡(jiǎn)稱PSNM)方法、漸進(jìn)式分塊(progressive blocking,簡(jiǎn)稱PB)方法和以記錄對(duì)排序列表(sorted list of record pairs,簡(jiǎn)稱SLORP)為線索的方法的排序鍵[6,7]:DBLP-Scholar數(shù)據(jù)集上采用標(biāo)題的前3 個(gè)實(shí)詞+前兩個(gè)作者的姓;FB 數(shù)據(jù)集上采用姓+名+城市.如果沒(méi)有特別說(shuō)明,SP-ES 的迭代次數(shù)設(shè)置為1.TC-ER 默認(rèn)采用基于RD-ES 的SP-ES 來(lái)估計(jì)記錄對(duì)相似性,記作TC-ER0;將采用基于JC-ES的SP-ES 的TC-ER 記作TC-ER1;將采用RD-ES 的TC-ER 記作TC-ER2;將采用JC-ES 的TC-ER 記作TC-ER3.

4.2 綜合測(cè)試

綜合測(cè)試將TC-ER0 與一個(gè)基準(zhǔn)方法以及3 個(gè)已有工作進(jìn)行對(duì)比.Papenbrock 等人提出的基于排序列表的PSNM 和PB 已經(jīng)被證明優(yōu)于Whang 等人提出的基于“線索”的方法,而基于“線索”的方法中表現(xiàn)最好的為SLORP[6,7],因此選擇PSNM,PB 和SLORP 這3 個(gè)方法作為比較對(duì)象.基準(zhǔn)方法采用m(*,*)直接解析分塊后生成的候選對(duì),記作Baseline.將隨機(jī)地生成10 個(gè)候選對(duì)順序,分別執(zhí)行Baseline 方法,將10 次的結(jié)果取平均值作為Baseline 的結(jié)果.PSNM 將從小到大擴(kuò)展的窗口多次滑過(guò)排序的記錄列表,PB 先根據(jù)排序的記錄列表生成同等規(guī)模的小塊,然后逐漸拓展分塊范圍,這兩個(gè)方法都漸進(jìn)地生成候選對(duì),從而優(yōu)先處理匹配可能性大的記錄對(duì)[7].SLORP 通過(guò)排序的記錄列表一次性生成排序的記錄對(duì)列表,并根據(jù)記錄對(duì)順序來(lái)依次進(jìn)行解析[6].PSNM,PB 和SLORP 都要依賴于排序的記錄列表,其排序鍵請(qǐng)參考第4.1 節(jié)中的方法設(shè)置.

圖5 和圖6 分別呈現(xiàn)了在DBLP 數(shù)據(jù)集上和FB 數(shù)據(jù)集上5 個(gè)方法的對(duì)比情況.

Fig.5 General test on DBLP dataset

圖5 在DBLP 數(shù)據(jù)集上的綜合測(cè)試

Fig.6 General test on FB dataset

圖6 在FB 數(shù)據(jù)集上的綜合測(cè)試

總體而言,存在TC-ER0>>PSNM,PB>SLORP>Baseline.TC-ER0 的實(shí)時(shí)召回率顯著地高于其他4 個(gè)方法;PSNM,PB 和SLORP 明顯優(yōu)于Baseline;PSNM,PB 明顯優(yōu)于SLORP;在前期時(shí),PSNM 總優(yōu)于PB,PB 在后期可能有機(jī)會(huì)超越PSNM(如在FB 數(shù)據(jù)集上).例如:在DBLP 數(shù)據(jù)集上,TC-ER0 花費(fèi)11.5s 解析出82.47%的匹配對(duì),PSNM 花費(fèi)13s 只能解析出56.69%的匹配對(duì),PB 花費(fèi)16s 只能解析出57.18%的匹配對(duì),SLORP 花費(fèi)17s 只能解析出55.41%的匹配對(duì),Baseline 花費(fèi)18s 甚至只能解析出46.19%的匹配對(duì);在FB 數(shù)據(jù)集上,TC-ER0 花費(fèi)22s解析出88.9%的匹配對(duì),而PSNM 花費(fèi)34s 解析出62.47%的匹配對(duì),PB 花費(fèi)36s 解析出51.72%的匹配對(duì),SLORP花費(fèi)35s 解析出40.41%的匹配對(duì),Baseline 花費(fèi)42s 只能解析出33.67%的匹配對(duì).由此可見(jiàn),在較少時(shí)間預(yù)算約束下,TC-ER0 可以解析出更多的匹配對(duì).Baseline 的實(shí)時(shí)召回率隨時(shí)間線性增長(zhǎng),因?yàn)樗S機(jī)地解析候選對(duì),解析順序沒(méi)有任何優(yōu)化.PSNM 在迭代中由小到大調(diào)整窗口,以此來(lái)優(yōu)化候選對(duì)的解析順序;PB 通過(guò)逐漸拓展分塊范圍來(lái)優(yōu)化解析順序;SLORP 通過(guò)粗糙的方法來(lái)估計(jì)候選對(duì)的相似性來(lái)優(yōu)化解析順序.因此,它們的實(shí)時(shí)召回率要比Baseline 高.然而,PSNM 和PB 無(wú)法將候選對(duì)按匹配可能性排序,無(wú)法直接定位到最可能匹配的候選對(duì);SLORP 雖然對(duì)候選進(jìn)行了全排序,但其相似性估計(jì)十分粗糙,同樣無(wú)法直接定位到最可能匹配的候選對(duì),甚至不如前兩者的表現(xiàn).這些原因局限了PSNM,PB 和SLORP 的實(shí)時(shí)召回率.TC-ER0 則通過(guò)基于相似性估計(jì)的候選對(duì)排序來(lái)全局地優(yōu)化解析順序,從而獲得最高的實(shí)時(shí)召回率.

再者,觀察最終召回率和運(yùn)行時(shí)間.

(1)PSNM,PB 和SLORP 的最終召回率要低于TC-ER0 和Baseline.前三者只有一個(gè)排序鍵,只產(chǎn)生一個(gè)記錄排序列表,由此生成的候選對(duì)集合對(duì)真實(shí)的匹配對(duì)覆蓋較少;而后兩個(gè)方法,通過(guò)多路分塊生成候選對(duì)集合,可以更好地覆蓋真實(shí)的匹配對(duì).如果將PSNM 和PB 擴(kuò)展到多個(gè)排序鍵AC-PSNM 和ACPB,可以提高最終召回率,但這樣要維護(hù)多個(gè)排序列表并依次滑動(dòng),會(huì)大大增加實(shí)時(shí)的計(jì)算代價(jià)和總的計(jì)算代價(jià),明顯降低實(shí)時(shí)召回率;

(2)就總的運(yùn)行時(shí)間而言,TC-ER0,PSNM,PB 和SLORP 都比Baseline 要長(zhǎng),因?yàn)榍八恼哚槍?duì)解析順序的預(yù)處理操作花費(fèi)了一定的時(shí)間,而B(niǎo)aseline 沒(méi)有預(yù)處理操作.就預(yù)處理時(shí)間而言,TC-ER0 要比PSNM,PB和SLORP 稍長(zhǎng)一些,但它們的預(yù)處理時(shí)間占總運(yùn)行時(shí)間的比例都極小.

4.3 分項(xiàng)測(cè)試

4.3.1 相似性估計(jì)測(cè)試

相似性估計(jì)測(cè)試將比較兩個(gè)基本的相似性估計(jì)方法RD-ES,JC-ES 和基于前兩者的SP-ES 方法在TC-ER中的表現(xiàn),對(duì)應(yīng)該ER 方法分別為T(mén)C-ER2(RD-ES),TC-ER3(JC-ES),TC-ER0(基于RD-ES 的SP-ES)和TC-ER1(基于JC-ES 的SP-ES).相似性估計(jì)方法的好壞將決定記錄對(duì)排序的有效性,進(jìn)而影響實(shí)時(shí)召回率.圖7 和圖8 分別是在DBLP 數(shù)據(jù)集上和FB 數(shù)據(jù)集上4 個(gè)方法的對(duì)比情況,Baseline 作為參考.

Fig.7 Similarity estimation test on DBLP dataset

圖7 在DBLP 數(shù)據(jù)集上的相似性估計(jì)測(cè)試

Fig.8 Similarity estimation test on FB dataset

圖8 在FB 數(shù)據(jù)集上的相似性估計(jì)測(cè)試

整體而言,就實(shí)時(shí)召回率而言,在兩個(gè)數(shù)據(jù)集上均有TC-ER0>TC-ER1,TC-ER2>TC-ER3>Baseline.在DBLP數(shù)據(jù)集上,TC-ER0 顯著地優(yōu)于其他3 個(gè)方法;TC-ER1 與TC-ER2 不相上下,但都明顯優(yōu)于TC-ER3.取單點(diǎn)進(jìn)行對(duì)比,TC-ER0 花費(fèi)11.5s 解析出82.47%的匹配對(duì),TC-ER1 花費(fèi)13s 解析出78.18%的匹配對(duì),TC-ER2 花費(fèi)12s解析出71.54%的匹配對(duì),TC-ER3 花費(fèi)15s 只解析出63.41%的匹配對(duì).在FB 數(shù)據(jù)集上,TC-ER0 顯著地優(yōu)于其他3 種方法;TC-ER1 微弱地優(yōu)于TC-ER2,但兩者都明顯優(yōu)于TC-ER3.取單點(diǎn)進(jìn)行對(duì)比,TC-ER0 花費(fèi)22s 解析出88.9%的匹配對(duì),TC-ER1 花費(fèi)26s 解析出82.14%的匹配對(duì),TC-ER2 花費(fèi)28s 解析出75.38%的匹配對(duì),TC-ER3花費(fèi)29s 只解析出65.94%的匹配對(duì).接下來(lái),觀察相似性傳播對(duì)相似性估計(jì)的影響.分別對(duì)比TC-ER0 和TCER2,TC-ER1 和TC-ER3 可以發(fā)現(xiàn):TC-ER 中,基于相似性傳播的相似性估計(jì)方法(TC-ER0 和TC-ER1)要明顯優(yōu)于基本的相似性估計(jì)方法(TC-ER2 和TC-ER3).相似性傳播挖掘了記錄與塊之間隱藏的關(guān)聯(lián)關(guān)系,從而有效地改進(jìn)了兩個(gè)基本的相似性估計(jì)方法.最后,分別對(duì)比TC-ER0 和TC-ER1,TC-ER2 和TC-ER3 可以發(fā)現(xiàn):在TR-ER中,基于分塊質(zhì)量的相似性估計(jì)(對(duì)應(yīng)TC-ER0 和TC-ER2)要明顯優(yōu)于基于Jaccard 系數(shù)的相似性估計(jì)(對(duì)應(yīng)TCER1 和TC-ER3),說(shuō)明分塊質(zhì)量可以更有效地幫助估計(jì)記錄對(duì)的相似性.

4.3.2 SP-ES 的迭代測(cè)試

本節(jié)測(cè)試TC-ER 中SP-ES 的迭代次數(shù)對(duì)相似性估計(jì)的影響,驗(yàn)證近似的相似性傳播的有效性.當(dāng)殘差閾值ε=0.005 時(shí),TC-ER0 在DBLP 數(shù)據(jù)集上和FB 數(shù)據(jù)集上分別需要7 次和11 次迭代達(dá)到收斂.將從兩個(gè)角度來(lái)進(jìn)行測(cè)試:(1)在兩個(gè)數(shù)據(jù)集上,測(cè)試TC-ER0 分別進(jìn)行1,2,4 和7 次迭代的實(shí)時(shí)召回率的情況,從直觀上了解隨著迭代次數(shù)的增加,相似性估計(jì)和運(yùn)行時(shí)間的變化情況;(2)在兩個(gè)數(shù)據(jù)集上,測(cè)試TC-ER0 隨著迭代次數(shù)的增加直到自然收斂過(guò)程中,Top-N 命中率和啟動(dòng)時(shí)間的變化情況.

TC-ER0 默認(rèn)進(jìn)行1 次迭代,現(xiàn)將TC-ER0 分別進(jìn)行2m4 和7 次迭代,分別記作TC-ER0-2,TC-ER0-4 和TCER0-7.圖9 和圖10 分別展示了在DBLP 數(shù)據(jù)集上和FB 數(shù)據(jù)集上這4 種方法的對(duì)比情況,Baseline 作為參考.

Fig.9 SP-ES’s iteration test on DBLP dataset

圖9 在DBLP 數(shù)據(jù)集上SP-ES 的迭代測(cè)試

Fig.10 SP-ES’s iteration test on FB dataset

圖10 在FB 數(shù)據(jù)集上SP-ES 的迭代測(cè)試

整體而言,隨著迭代次數(shù)的增加,預(yù)處理的時(shí)間代價(jià)接近成倍地增加;然而預(yù)處理之后的實(shí)時(shí)召回率卻沒(méi)有明顯的提升,即相似性估計(jì)的準(zhǔn)確性只是非常微弱地提高.取單點(diǎn)來(lái)對(duì)比,在DBLP 數(shù)據(jù)集上,運(yùn)行時(shí)間為7s 時(shí),TC-ER0 的實(shí)時(shí)召回率為65.63%,而TC-ER0-2 約為40%,TC-ER0-4 和TC-ER0-7 都為0;在FB 數(shù)據(jù)集上,運(yùn)行時(shí)間為18s 時(shí),TC-ER0 的實(shí)時(shí)召回率超過(guò)70%,而TC-ER0-2 為32.47%,TC-ER0-4 和TC-ER0-7 都為0.直觀來(lái)看,基于1 次迭代SP-ES 對(duì)于TC-ER 來(lái)說(shuō)是最佳的選擇.

接下來(lái),從Top-N 命中率和啟動(dòng)時(shí)間的角度來(lái)分析迭代的效果,Top-N 命中率是指在觀測(cè)的前N 次比較中匹配對(duì)占的比例,啟動(dòng)時(shí)間是指TC-ER0 從啟動(dòng)運(yùn)行到開(kāi)始產(chǎn)生解析結(jié)果的時(shí)間間隔.將數(shù)據(jù)集中真實(shí)的匹配對(duì)數(shù)目設(shè)為N,那么,在DBLP 數(shù)據(jù)集上N=5347,在FB 數(shù)據(jù)集上N=81694.圖11、圖12 展示了TC-ER0 方法在兩個(gè)數(shù)據(jù)集上的Top-N 命中率(對(duì)應(yīng)主軸刻度)和啟動(dòng)時(shí)間(對(duì)應(yīng)次軸刻度)隨迭代次數(shù)增加而變化的情況.可以發(fā)現(xiàn):隨著迭代次數(shù)的增加,命中率的提高非常小,而啟動(dòng)時(shí)間則幾乎是線性增長(zhǎng).由此可知,迭代次數(shù)的增加不會(huì)明顯提高相似性估計(jì)的準(zhǔn)確性,而啟動(dòng)時(shí)間大幅增長(zhǎng).結(jié)合圖9、圖10 可知:隨著迭代次數(shù)的增加,實(shí)時(shí)召回率曲線的趨勢(shì)變化微弱,大體上是整體向后平移,啟動(dòng)時(shí)間占總運(yùn)行時(shí)間比重大幅增加.這導(dǎo)致解析結(jié)果輸出推遲,影響TC-ER0 的表現(xiàn).綜上分析,為了兼顧時(shí)效性和召回率,應(yīng)當(dāng)選擇較少的迭代次數(shù),1 次迭代是TC-ER0 的最好選擇.

Fig.11 SP-ES’s hitting rate &start-up time tests on DBLP dataset

圖11 在DBLP 數(shù)據(jù)集上SP-ES 的Top-N 命中率及啟動(dòng)時(shí)間測(cè)試

Fig.12 SP-ES’s hitting rate &start-up time tests on FB dataset

圖12 在FB 數(shù)據(jù)集上SP-ES 的Top-N 命中率及啟動(dòng)時(shí)間測(cè)試

5 相關(guān)工作

實(shí)體解析是數(shù)據(jù)集成與數(shù)據(jù)清洗不可或缺的組成部分,也稱為實(shí)體識(shí)別、實(shí)體匹配、記錄鏈接等[1?15].傳統(tǒng)的實(shí)體解析是批處理操作,將整個(gè)數(shù)據(jù)集輸入,經(jīng)過(guò)分塊、相似性計(jì)算和匹配決定后,輸出解析結(jié)果[1,2].這種整體解析的運(yùn)行時(shí)間通常比較長(zhǎng).隨著大數(shù)據(jù)產(chǎn)業(yè)的發(fā)展,數(shù)據(jù)產(chǎn)生的速度和更新的頻率與以往相比都有了質(zhì)的飛躍,而一些數(shù)據(jù)應(yīng)用要求(近似)實(shí)時(shí)的響應(yīng),因此時(shí)間約束的ER 成為研究熱點(diǎn)[6,7].與本文相關(guān)的研究還包括分塊技術(shù)和基于圖的相似性傳播.

Whang 等人提出了Pay-as-you-go 實(shí)體解析的概念:在運(yùn)行時(shí)間或計(jì)算資源有限的情況下,使得實(shí)體解析的輸出結(jié)果最大化;并定義了“線索”的概念,幫助預(yù)測(cè)哪些記錄的匹配可能性更大,它需要與已有的ER 方法結(jié)合起來(lái)使用[6].Papenbrock 等人提出了一組時(shí)間約束的ER 方法,它們都基于排序的記錄列表[7].漸進(jìn)式滑動(dòng)窗口(progressive sorted neighborhood method,簡(jiǎn)稱PSNM)通過(guò)從小到大擴(kuò)大窗口來(lái)多次滑過(guò)列表,漸進(jìn)地生成候選對(duì);漸進(jìn)式分塊(progressive blocking,簡(jiǎn)稱PB)先根據(jù)記錄列表生成同樣規(guī)模的小塊,然后逐漸拓展分塊范圍,漸進(jìn)地生成候選對(duì).在此基礎(chǔ)上,還對(duì)兩個(gè)方法進(jìn)行了多屬性擴(kuò)展,同時(shí)生成多個(gè)排序列表,并交替地對(duì)排序列表執(zhí)行PSNM 和PB,從而提高總的召回率,但同時(shí)也降低了漸進(jìn)性.這兩類方法都無(wú)法將所有候選對(duì)按匹配可能性進(jìn)行全局排序,限制了實(shí)時(shí)召回率;再者,兩類方法都依賴于已知的分塊鍵或排序鍵,限制了適用范圍.

分塊是ER 中最常用的降低時(shí)間開(kāi)銷的技術(shù),它可以有效地縮小搜索空間[16?26].分塊方法可分為兩類:基于分塊鍵的方法和基于排序鍵的方法.前者定義分塊鍵(blocking key,簡(jiǎn)稱BK),然后根據(jù)每條記錄的屬性信息生成對(duì)應(yīng)的分塊鍵值(blocking key value,簡(jiǎn)稱BKV),最后將擁有相同BKV 的記錄分在同一塊內(nèi),分塊方法以此類居多[17?20,23?26].后者也稱為滑動(dòng)窗口方法,首先定義排序鍵,然后將記錄按排序鍵值排序,最后將一個(gè)窗口在記錄列表上滑動(dòng)來(lái)生成候選對(duì)[21,22].

基于圖的相似性傳播可以挖掘結(jié)構(gòu)信息來(lái)計(jì)算數(shù)據(jù)對(duì)象(data object)之間的相似性,這類方法已經(jīng)應(yīng)用在了多個(gè)領(lǐng)域,如模式匹配[29]、聯(lián)合式實(shí)體解析[4]、推薦系統(tǒng)[30]等.Melnick 等人設(shè)計(jì)了SF(similarity flooding)算法來(lái)幫助模式匹配,但其應(yīng)用范圍不局限于此[29].將兩個(gè)關(guān)系模式分別構(gòu)建成模式圖,并根據(jù)領(lǐng)域知識(shí)計(jì)算出兩個(gè)圖之間結(jié)點(diǎn)的初步的相似性,將這兩個(gè)圖作為SF 算法的輸入.SF 將兩個(gè)圖中的結(jié)點(diǎn)建立映射關(guān)系,并構(gòu)建成一個(gè)成對(duì)的關(guān)聯(lián)圖,圖中的每個(gè)結(jié)點(diǎn)對(duì)應(yīng)原模式圖中一個(gè)映射結(jié)點(diǎn)對(duì),例如關(guān)聯(lián)圖中的三元組((x,y),p,(x′,y′)),對(duì)應(yīng)模式圖中的兩個(gè)三元組(x,p,x′)和(y,p,y′).相似性通過(guò)((x,y),p,(x′,y′))的正向和反向不斷迭代地傳播,迭代停止時(shí)每個(gè)結(jié)點(diǎn)上的對(duì)象對(duì)(例如(x,y))獲得最終的相似性.利用SF 最終的相似性可以決定模式匹配的結(jié)果.SF 通過(guò)不動(dòng)點(diǎn)計(jì)算來(lái)獲得最終的相似性.如果相似性收斂,那么SF 自然終止;如果不收斂,則運(yùn)行到SF 設(shè)定的最大迭代次數(shù)時(shí)終止.Simrank 是一個(gè)更通用的兩兩(pairwise)相似性計(jì)算方法,其基本思想是:如果與兩個(gè)對(duì)象關(guān)聯(lián)的對(duì)象是相似的,那么這兩個(gè)對(duì)象也是相似的[30].Simrank 將一個(gè)有向的對(duì)象圖轉(zhuǎn)換成一個(gè)有向的對(duì)象對(duì)圖,對(duì)象對(duì)圖與SF 中的成對(duì)關(guān)聯(lián)圖類似,也是((x,y),p,(x′,y′))的形式.在對(duì)象對(duì)圖中,初始時(shí)將由同一對(duì)象組成的結(jié)點(diǎn)的相似性設(shè)為1,其他結(jié)點(diǎn)的相似性為0.然后相似性在對(duì)象對(duì)圖中沿著有向邊不斷傳遞,直到收斂.在傳遞過(guò)程中,一個(gè)結(jié)點(diǎn)(x,y)將相似性經(jīng)過(guò)衰減少后傳給它所有指向的結(jié)點(diǎn);另一個(gè)結(jié)點(diǎn)(x′,y′)從指向它的所有結(jié)點(diǎn)處獲得相似性,取均值作為自己最新的相似性.Simrank 保證收斂性,可以通過(guò)不動(dòng)點(diǎn)計(jì)算獲得收斂結(jié)果.Dong 等人通過(guò)相似性傳播來(lái)解析關(guān)聯(lián)的數(shù)據(jù),例如引文數(shù)據(jù)、電影數(shù)據(jù)等[4].以引文數(shù)據(jù)為例,文章、作者及會(huì)議之間存在語(yǔ)義關(guān)聯(lián),如果兩個(gè)文章記錄是匹配的,那么它們的作者記錄的匹配可能性將會(huì)增加.將關(guān)聯(lián)的數(shù)據(jù)構(gòu)建依賴圖,其中,邊既有單向的,也有雙向的.根據(jù)文本相似性來(lái)計(jì)算每個(gè)結(jié)點(diǎn)的初始相似性,然后,相似性通過(guò)有向邊來(lái)傳播.當(dāng)某個(gè)結(jié)點(diǎn)的相似性超過(guò)閾值,就認(rèn)為它對(duì)應(yīng)的記錄是匹配的,匹配的結(jié)點(diǎn)將進(jìn)入非激活狀態(tài).不斷迭代,直到所有結(jié)點(diǎn)都被解析完.以上3 種相似性傳播都是在對(duì)象(記錄)之間的傳播,而本文的相似性傳播則是在記錄與塊之間進(jìn)行.

當(dāng)前,還出現(xiàn)了一些新型的ER 方法:Ramadan 等人提出了面向查詢的ER 方法[5];Kushagrat 等人針對(duì)ER 中聚類問(wèn)題,提出了選擇策略[8];Lin 等人提出了面向異構(gòu)記錄的ER 方法[9];多個(gè)研究團(tuán)隊(duì)提出了基于圖的ER 方法[10?12];多個(gè)研究團(tuán)隊(duì)提出了基于深度學(xué)習(xí)的ER 方法[13,14].

6 結(jié)束語(yǔ)

時(shí)間約束的實(shí)體解析是大數(shù)據(jù)研究的熱點(diǎn)問(wèn)題,本文研究時(shí)間約束的ER 中記錄對(duì)相似性估計(jì)與排序.在多路分塊的基礎(chǔ)上,分析塊內(nèi)信息,提出了基于塊質(zhì)量的記錄對(duì)相似性估計(jì)方法;分析塊間信息,提出了基于Jaccard 系數(shù)的記錄對(duì)相似性估計(jì)方法.針對(duì)兩個(gè)基本的相似性估計(jì)方法,提出了基于相似性圖傳播的改進(jìn).構(gòu)建記錄對(duì)和塊組成的二分圖.在二分圖上運(yùn)行相似性傳播,在此過(guò)程中記錄對(duì)的相似性動(dòng)態(tài)變化,直到收斂.提出了基于不動(dòng)點(diǎn)迭代的收斂結(jié)果計(jì)算方法,并提出了近似方法來(lái)降低計(jì)算代價(jià).在一個(gè)真實(shí)數(shù)據(jù)集和一個(gè)合成數(shù)據(jù)集上測(cè)試提出的方法,證明其有效性,并測(cè)試了提出方法的各個(gè)方面的特點(diǎn).在未來(lái)的工作中,將研究聯(lián)合式實(shí)體解析在時(shí)間約束條件下的解決方案。

審核編輯：湯梓紅