最近，我在記錄鏈接方面變得非常有趣，并遇到了Duke項目，該項目提供了一些工具來幫助解決此問題。 我以為可以嘗試一下。

進行記錄鏈接時的典型問題是，我們有兩個來自不同數據集的記錄，它們代表同一實體，但是沒有可用于將它們合并在一起的公共鍵。 因此，我們需要提出一種啟發方法，使我們能夠這樣做。

杜克大學（Duke）有一些實例表明了它的實際作用，我決定與聯系國一道去。 在這里，我們有來自Dbpedia和Mondial數據庫的國家，我們希望將它們鏈接在一起。

我們需要做的第一件事是構建項目：

export JAVA_HOME=`/usr/libexec/java_home` mvn clean package -DskipTests

在撰寫本文時，這將使zip失敗，其中包含我們需要的所有內容，位于duke-dist / target / 。 讓我們打開包裝：

unzip duke-dist/target/duke-dist-1.3-SNAPSHOT-bin.zip

接下來，我們需要下載數據文件和Duke配置文件：

wget https://raw.githubusercontent.com/larsga/Duke/master/doc/example-data/countries-dbpedia.csv wget https://raw.githubusercontent.com/larsga/Duke/master/doc/example-data/countries.xml wget https://raw.githubusercontent.com/larsga/Duke/master/doc/example-data/countries-mondial.csv wget https://raw.githubusercontent.com/larsga/Duke/master/doc/example-data/countries-test.txt

現在我們準備好嘗試了：

java -cp "duke-dist-1.3-SNAPSHOT/lib/*" no.priv.garshol.duke.Duke --testfile=countries-test.txt --testdebug --showmatches countries.xml...NO MATCH FOR: ID: '7706', NAME: 'guatemala', AREA: '108890', CAPITAL: 'guatemala city',MATCH 0.9825124555160142 ID: '10052', NAME: 'pitcairn islands', AREA: '47', CAPITAL: 'adamstown', ID: 'http://dbpedia.org/resource/Pitcairn_Islands', NAME: 'pitcairn islands', AREA: '47', CAPITAL: 'adamstown',Correct links found: 200 / 218 (91.7%) Wrong links found: 0 / 24 (0.0%) Unknown links found: 0 Percent of links correct 100.0%, wrong 0.0%, unknown 0.0% Records with no link: 18 Precision 100.0%, recall 91.74311926605505%, f-number 0.9569377990430622

我們可以查看countries.xml ，看看如何計算記錄之間的相似度：

<schema><threshold>0.7</threshold> ...<property><name>NAME</name><comparator>no.priv.garshol.duke.comparators.Levenshtein</comparator><low>0.09</low><high>0.93</high></property><property><name>AREA</name><comparator>no.priv.garshol.duke.comparators.NumericComparator</comparator><low>0.04</low><high>0.73</high></property><property><name>CAPITAL</name><comparator>no.priv.garshol.duke.comparators.Levenshtein</comparator><low>0.12</low><high>0.61</high></property></schema>

因此，我們通過計算首都和國家的Levenshtein距離（即將一個單詞轉換為另一個單詞所需的最小單字符編輯次數）來計算出首府城市和國家/地區的相似性

如果其中一個數據集的拼寫有誤或有差異，這將非常有效。 但是，我很好奇，如果該國有兩個完全不同的名稱，例如科特迪瓦有時被稱為象牙海岸，那會發生什么。 讓我們嘗試在以下文件之一中更改國家/地區名稱：

"19147","Cote dIvoire","Yamoussoukro","322460"java -cp "duke-dist-1.3-SNAPSHOT/lib/*" no.priv.garshol.duke.Duke --testfile=countries-test.txt --testdebug --showmatches countries.xmlNO MATCH FOR: ID: '19147', NAME: 'ivory coast', AREA: '322460', CAPITAL: 'yamoussoukro',

我還通過曼聯對托特納姆熱刺的BBC和ESPN比賽報告來進行了嘗試-BBC按姓氏引用球員，而ESPN有其全名。

當我使用Levenshtein比較器將全名與姓氏進行比較時，沒有您所期望的匹配。 我必須將ESPN名稱分解為名字和姓氏才能使鏈接正常工作。

同樣，當我將球隊名稱更改為“曼聯”而不是“曼聯”和“熱刺”而不是“托特納姆熱刺”時，兩者也不起作用。

我想我可能需要編寫一個特定于域的比較器，但是我也很好奇是否可以提出一些訓練示例，然后訓練一個模型來檢測什么使兩條記錄相似。 它的確定性較差，但可能更健壯。

翻譯自: https://www.javacodegeeks.com/2015/08/record-linkage-playing-around-with-duke.html

總結

以上是生活随笔為你收集整理的记录链接：与杜克一起玩的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。