Los puntos clave no están disponibles para este artículo en este momento.
En este artículo presentamos un algoritmo eficiente, escalable y general para realizar uniones de conjuntos sobre predicados que implican diversas medidas de similitud como el tamaño de intersección, el coeficiente de Jaccard, la similitud coseno y la distancia de edición. Esto amplía el conjunto existente de algoritmos para uniones de conjuntos sobre predicados más simples, como la contención de conjuntos, igualdad y superposición no nula. Comenzamos con un método básico de sondeo basado en un índice invertido y añadimos una serie de optimizaciones que resultan en una mejora de uno a dos órdenes de magnitud en el tiempo de ejecución. El algoritmo incorpora una estrategia de particionamiento de datos que puede funcionar de manera eficiente con un índice comprimido para ajustarse a cualquier cantidad disponible de memoria principal. Las optimizaciones utilizadas en nuestro algoritmo se generalizan a varias medidas ponderadas y no ponderadas de superposición parcial de palabras entre conjuntos.
Sarawagi et al. (Sun,) estudiaron esta cuestión.