1、隨著信息技術的迅速發(fā)展，大量的數(shù)據不斷涌現(xiàn)，不可避免的會引發(fā)質量問題，數(shù)據清洗是提高數(shù)據質量的重要手段，而相似重復記錄檢測是數(shù)據清洗研究的關鍵技術，因此對相似重復記錄檢測的研究具有重要意義。諸多學者對相似重復記錄的檢測算法做了大量研究，其中尤以基于滑動窗口的算法較為有效。該算法依據相似重復記錄鄰近的原理，將檢測記錄的比較記錄數(shù)限制在有限的窗口數(shù)目內，從而大大提高檢測效率。針對算法平等對待各字段和窗口大小設置沒有統(tǒng)一標準的不足，論文研究了

2、基于可變滑動窗口的相似重復記錄檢測算法。
　　 論文研究的主要內容如下:
　　 針對傳統(tǒng)檢測算法的低查準率、低查全率以及時間效率低的問題，論文提出基于可變滑動窗口的相似重復記錄檢測算法。首先通過綜合加權法科學地計算屬性的權重向量即:采用統(tǒng)計加權法計算字段的統(tǒng)計向量S;采用等級加權法計算字段的經驗向量G;結合經驗向量和統(tǒng)計向量計算權重向量W。然后給出確定存放相似重復記錄集的可變滑動窗口大小的計算公式，通過計算相似重復記錄之

3、間的距離確定了窗口大小的上界;可變滑動窗口通過對相似重復記錄進行聚類，解決了基于滑動窗口檢測算法低查準率的問題。記錄間的相似性判斷首先通過使用編輯距離算法計算各字段的相似性，然后結合字段權重向量計算記錄間的相似性。
　　 針對傳統(tǒng)編輯距離算法在基于語義的中文匹配方面的不足，論文提出基于語義的編輯距離算法。該算法利用中文分詞算法對字段進行切分，以語義詞組為單位計算字段的相似性，其同義替換的特點提高了檢測精度。同時，采用基于字符串長