使用与聚类结合提升的多模式数据集成方法

本文主要探讨了"基于使用信息和聚类方法的多模式集成"这一主题，它在数据集成领域具有重要的研究价值。数据集成是现代信息技术中处理多源异构数据的关键步骤，旨在将来自不同来源的数据统一到一个一致的视图中，以便于分析和应用。传统的数据集成方法虽然在一定程度上解决了模式融合的问题，但往往忽视了一个关键因素——用户使用信息。 在文章中，作者提出了一个创新的集成策略，该策略充分利用用户的历史使用信息。首先，通过分析数据库的查询日志，作者构建了一个特征向量来表示模式属性，这些特征可能包括属性的频率、关联性或者用户的查询行为等。接着，作者运用聚类技术对这些特征向量进行分类，目的是识别出用户群体对于数据模式的共同偏好或使用模式。 聚类的结果被用来确定不同模式之间的相似性程度，通过对聚类间差异性的最小化，作者定义了一个最大相似性阈值。这个阈值帮助识别出那些在聚类内与其他属性的语义含义存在较大偏差的异常属性。这些异常属性可能是由于数据质量问题、用户误操作或是数据源本身的不一致性导致的。 针对这三种类型的异常属性，作者设计了三种针对性的去除规则。第一种是基于统计学的规则，即如果一个属性的使用频率远低于预期，可能被视为异常；第二种是基于用户行为的规则，如果属性的使用不符合用户通常的行为模式，也可能被标记为异常；第三种是基于领域知识的规则，利用专家知识来判断属性是否合理。 最后，文章提出了一种异常属性去除算法EPKO（Enhanced Property KOntamination），该算法结合了以上规则，通过迭代和优化过程，有效地剔除异常属性，从而提高了多模式集成的准确性和有效性。实验结果证明，这种方法在处理多模式数据时，不仅提高了集成的准确性，还能显著减少数据冲突和冗余，有助于提升整个系统的性能和用户体验。 总结来说，这篇论文关注的是如何结合用户使用信息和聚类技术来优化多模式数据集成过程，以提高数据质量，满足在实际应用中对数据整合的高效性和精度要求。这对于大数据时代的信息管理和决策支持具有重要的实践意义。