Aprendiendo a emparejar y agrupar grandes conjuntos de datos de alta dimensión para la integración de datos

Parte del proceso de integración de datos es determinar qué conjuntos de identificadores se refieren a las mismas entidades del mundo real. Al integrar bases de datos encontradas en la Web o obtenidas mediante métodos de extracción de información, a menudo es posible resolver este problema explotando similitudes en los nombres textuales utilizados para objetos en diferentes bases de datos. En este documento describimos técnicas para agrupar y emparejar nombres de identificadores que son escalables y adaptativas, en el sentido de que pueden ser entrenadas para obtener un mejor rendimiento en un dominio particular. Una evaluación experimental en varios conjuntos de datos de muestra muestra que el método adaptativo a veces rinde mucho mejor que cualquiera de los dos sistemas de referencia no adaptativos, y es casi siempre competitivo con el mejor sistema de referencia.