抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
実体分解能(ER)は,同じ実世界実体に対応するエンティティプロファイルを発見するタスクである。進行性ERは,限られた時間および/または計算資源が利用可能な場合に,大規模データセットを効率的に解決することを目的とする。実際に,その目標は,実体プロファイルの最適比較順序を近似することにより,最良の可能な部分解を提供することである。今までのところ,既存の方法が不要な比較を節約するためにスキーマ知識に依存しているので,Progressive ERは構造化(関係)データ源の文脈においてのみ調べられてきた。それらは,スキーマベースのブロッキング鍵(すなわちエンティティプロファイルを表す署名)の助けを借りて,それらの探索空間を類似エンティティに制限する。結果として,これらの解は,関係やRDFデータベース,JSONファイル,Webコーパスなどのような大規模で不均一なデータセットを含むBigデータ統合アプリケーションに適用できない。このギャップをカバーするために,スキーマ情報を必要とせずに,任意のスキーマ多様性の不均一データ源に適用することができない,スキーマ-agnostic Progressive ER法のファミリーを提案した。最初に,著者らは,naのVE schemma-agnostic法を導入し,直接解が,大量のデータに対して十分にスケールしない性能を示すことを示した。次に,3つの異なる進歩した方法を提案した。7つの実世界,確立されたデータセットにわたる広範な実験評価を通して,著者らは,すべての先進的な方法が,naのVEと最先端のスキーマベースのものの両方を著しく上回ることを示した。また,この方法の相対的性能を調べ,この方法の選択に関するガイドラインを提供した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】