- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我有一个大型数据库(可能有数百万条记录),其中包含相对较短的文本字符串(按照街道地址、姓名等的顺序)。
我正在寻找一种删除不精确重复项的策略,模糊匹配似乎是首选方法。我的问题:许多文章和 SO 问题都涉及将单个字符串与数据库中的所有记录进行匹配。我希望一次对整个数据库进行重复数据删除。
前者将是一个线性时间问题(将一个值与一百万个其他值进行比较,每次都计算一些相似性度量)。后者是一个指数时间问题(将每条记录的值与其他所有记录的值进行比较;对于一百万条记录,这大约是 5 x 10^11 次计算,而前一个选项是 1,000,000 次计算)。
我想知道除了我提到的“蛮力”方法之外是否还有其他方法。我正在考虑可能生成一个字符串来比较每个记录的值,然后将具有大致相同的相似性度量的字符串分组,然后在这些组中运行蛮力方法。我不会达到线性时间,但它可能会有所帮助。此外,如果我考虑得当,这可能会错过字符串 A 和 B 之间潜在的模糊匹配,因为它们与字符串 C(生成的检查字符串)的相似性非常不同,尽管彼此非常相似。
有什么想法吗?
附言我意识到我可能对时间复杂度使用了错误的术语——这是我基本掌握的概念,但还不够好,所以我可以当场将算法归入适当的类别。如果我使用的术语有误,欢迎纠正,但希望至少我的观点得到了理解。
编辑
一些评论者问,给定记录之间的模糊匹配,我的策略是选择要删除的记录(即给定“foo”、“boo”和“coo”,它们将被标记为重复和删除)。我应该注意,我不是在这里寻找自动删除。这个想法是在 60+ 百万记录数据库中标记潜在的重复项,以供人工审查和评估。如果有一些误报也没关系,只要它是一个大致可预测/一致的数量。我只需要了解重复项的普遍程度。但是,如果模糊匹配传递需要一个月的时间才能运行,那么这根本就不是一个选择。
最佳答案
看看http://en.wikipedia.org/wiki/Locality-sensitive_hashing .一种非常简单的方法是将每个地址(或其他地址)划分为一组重叠的 n-gram。这个 STACKOVERFLOW 变成集合 {STACKO, TACKO, ACKOV, CKOVE..., RFLOW}。然后使用大型哈希表或排序合并来查找冲突的 n-gram 并使用模糊匹配器检查冲突。因此 STACKOVERFLOW 和 SXACKOVRVLOX 将发生冲突,因为两者都与冲突的 n-gram ACKOV 相关联。
复杂程度的下一个层次是选择一个随机哈希函数 - 例如具有任意键的 HMAC,以及您找到的 n-gram,仅保留具有最小散列值的那个。然后你必须跟踪更少的 n-gram,但只有在两种情况下的最小散列值都是 ACKOV 时才会看到匹配。 n-gram 的长度和错误命中的概率之间显然存在权衡。事实上,人们所做的似乎是通过在同一记录中连接多个哈希函数的结果来使 n 非常小并获得更高的精度,因此您需要同时在多个不同的哈希函数中进行匹配 -我认为这样可以更好地计算出概率。尝试在谷歌上搜索“重复检测 minhash”
关于algorithm - 在不到指数时间内进行模糊匹配重复数据删除?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/7196053/
我喜欢 smartcase,也喜欢 * 和 # 搜索命令。但我更希望 * 和 # 搜索命令区分大小写,而/和 ?搜索命令遵循 smartcase 启发式。 是否有隐藏在某个地方我还没有找到的设置?我宁
关闭。这个问题是off-topic .它目前不接受答案。 想改进这个问题? Update the question所以它是on-topic对于堆栈溢出。 10年前关闭。 Improve this qu
从以下网站,我找到了执行java AD身份验证的代码。 http://java2db.com/jndi-ldap-programming/solution-to-sslhandshakeexcepti
似乎 melt 会使用 id 列和堆叠的测量变量 reshape 您的数据框,然后通过转换让您执行聚合。 ddply,从 plyr 包看起来非常相似..你给它一个数据框,几个用于分组的列变量和一个聚合
我的问题是关于 memcached。 Facebook 使用 memcached 作为其结构化数据的缓存,以减少用户的延迟。他们在 Linux 上使用 UDP 优化了 memcached 的性能。 h
在 Camel route ,我正在使用 exec 组件通过 grep 进行 curl ,但使用 ${HOSTNAME} 的 grep 无法正常工作,下面是我的 Camel 路线。请在这方面寻求帮助。
我正在尝试执行相当复杂的查询,在其中我可以排除与特定条件集匹配的项目。这是一个 super 简化的模型来解释我的困境: class Thing(models.Model) user = mod
我正在尝试执行相当复杂的查询,我可以在其中排除符合特定条件集的项目。这里有一个 super 简化的模型来解释我的困境: class Thing(models.Model) user = mod
我发现了很多嵌入/内容项目的旧方法,并且我遵循了在这里找到的最新方法(我假设):https://blog.angular-university.io/angular-ng-content/ 我正在尝试
我正在寻找如何使用 fastify-nextjs 启动 fastify-cli 的建议 我曾尝试将代码简单地添加到建议的位置,但它不起作用。 'use strict' const path = req
我正在尝试将振幅 js 与 React 和 Gatsby 集成。做 gatsby developer 时一切看起来都不错,因为它发生在浏览器中,但是当我尝试 gatsby build 时,我收到以下错
我试图避免过度执行空值检查,但同时我想在需要使代码健壮的时候进行空值检查。但有时我觉得它开始变得如此防御,因为我没有实现 API。然后我避免了一些空检查,但是当我开始单元测试时,它开始总是等待运行时异
尝试进行包含一些 NOT 的 Kibana 搜索,但获得包含 NOT 的结果,因此猜测我的语法不正确: "chocolate" AND "milk" AND NOT "cow" AND NOT "tr
我正在使用开源代码共享包在 iOS 中进行 facebook 集成,但收到错误“FT_Load_Glyph failed: glyph 65535: error 6”。我在另一台 mac 机器上尝试了
我正在尝试估计一个标准的 tobit 模型,该模型被审查为零。 变量是 因变量 : 幸福 自变量 : 城市(芝加哥,纽约), 性别(男,女), 就业(0=失业,1=就业), 工作类型(失业,蓝色,白色
我有一个像这样的项目布局 样本/ 一种/ 源/ 主要的/ java / java 资源/ .jpg 乙/ 源/ 主要的/ java / B.java 资源/ B.jpg 构建.gradle 设置.gr
如何循环遍历数组中的多个属性以及如何使用map函数将数组中的多个属性显示到网页 import React, { Component } from 'react'; import './App.css'
我有一个 JavaScript 函数,它进行 AJAX 调用以返回一些数据,该调用是在选择列表更改事件上触发的。 我尝试了多种方法来在等待时显示加载程序,因为它当前暂停了选择列表,从客户的 Angul
可能以前问过,但找不到。 我正在用以下形式写很多语句: if (bar.getFoo() != null) { this.foo = bar.getFoo(); } 我想到了三元运算符,但我认
我有一个表单,在将其发送到 PHP 之前我正在执行一些验证 JavaScript,验证后的 JavaScript 函数会发布用户在 中输入的文本。页面底部的标签;然而,此消息显示短暂,然后消失...
我是一名优秀的程序员,十分优秀!