3DR-Indexing: um método para identificação automática dos melhores atributos de indexação em deduplicação de dados

dc.creatorLevy de Souza Silva
dc.date.accessioned2019-08-14T12:43:37Z
dc.date.accessioned2025-09-09T00:02:38Z
dc.date.available2019-08-14T12:43:37Z
dc.date.issued2018-06-15
dc.description.abstractData deduplication aims to find and remove duplicate records in databases. Duplicate records are data instances that represent the same object in the real world. Usually, the deduplication has three steps: indexing (which assigns a block key value for each record), clustering (which groups the records with similar block key) and classification (which compares the records within the same group). Our study focuses on the indexing step, which creates block key structures to group similar records. Indexing must be effective (as to better distinguish the values) and efficient (as to allow faster deduplication runtime). Thus, in this step, an attribute is chosen and its value is encoded by a function to produce the block key value. Currently, the indexing attributes are chosen by expert users, which takes time and increases the process total cost. Therefore, we present the method 3DR-Indexing, which automatically selects the best attributes for the indexing step. Furthermore, we analyze the impact of the indexing attribute over data deduplication steps. Finally, we evaluate the indexing attribute and the proposed method over 13 distinct datasets, that is, with different domains, number of duplicate records and the total of instances. Our results indicate the indexing attribute has highest impact over deduplication process. For instance, the best indexing attribute differs from the worst one by an average of 44% in terms of F-Measure (considering all datasets). Moreover, the 3DR Indexing has significant results, because it identifies the best indexing attribute in 10 out of 13 datasets.
dc.identifier.urihttps://hdl.handle.net/1843/ESBF-B44K2E
dc.languagePortuguês
dc.publisherUniversidade Federal de Minas Gerais
dc.rightsAcesso Aberto
dc.subjectComputação
dc.subjectDeduplicação de dados
dc.subjectSeleção de atributos
dc.subjectResolução de entidades
dc.subjectIndexação
dc.subject.otherDeduplicação de Dados
dc.subject.otherResolução de Entidades
dc.subject.otherIndexação
dc.title3DR-Indexing: um método para identificação automática dos melhores atributos de indexação em deduplicação de dados
dc.typeDissertação de mestrado
local.contributor.advisor1Mirella Moura Moro
local.contributor.referee1Ana Carolina Brandão Salgado
local.contributor.referee1Ana Paula Couto da Silva
local.contributor.referee1Michele Amaral Brand?o
local.contributor.referee1Michele Amaral Brandao
local.description.resumoDeduplicação é a tarefa de encontrar e remover registros duplicados em bancos de dados. Registros duplicados são instâncias que representam o mesmo objeto no mundo real. Via de regra, a deduplicação é composta por três etapas: indexação (que atribui uma chave de bloco a cada registro), clusterização (que agrupa os registros de acordo com as chaves) e classificação (que compara os registros dentro de cada grupo). Nosso estudo foca na indexação, a qual cria estruturas de chaves de bloco para agrupar registros similares. Atualmente, os atributos de indexação são escolhidos por usuários especialistas sobre o domínio dos dados, o que requer tempo, além de aumentar o custo total do processo. Por isso, nós apresentamos o método 3DR-Indexing, que seleciona automaticamente os melhores atributos de indexação. Por fim, nossas avaliações experimentais indicam que o 3DR-Indexing tem resultados significantes, pois ele identifica o melhor atributo em 10 dos 13 conjuntos de dados utilizados.
local.publisher.initialsUFMG

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
levydesouza.pdf
Tamanho:
2.09 MB
Formato:
Adobe Portable Document Format