实体解析是关于识别和解析不同数据集合中的数据对,使其匹配现实世界中相应实体的过程。实体解析是存在于数据库管理,信息检索和机器学习等众多研究领域中的长期挑战。随着大数据时代的到来和数据自带的语意模糊性,实体解析的任务变得越来越繁琐和复杂。然而,众包平台的出现为解决数据的寓意模糊性提供了有效的解决途径。因此本文就如何利用人类的智慧来解决实体解析的问题进行了初步的探讨,本文主要分三个大部分来探讨。第一部分主要介绍了本文的选题背景以及相关工作,尤其是介绍近些年实体解析的研究情况和基于众包的实体解析的研究成果。而众包平台解决实体解析问题的关键是众包问题的产生策略,即Human Intelligence Task(HIT)的产生策略。该部分首先介绍了众包在实体解析中的两种HIT生成模型,即基于关联的HIT生成模型和基于概率的HIT生成模型。最后通过对这两种模型的优缺点进行对比,基于概率的HIT生成模型被确定为本文要探讨的应用模型。本文第二部分探讨如何调整和转化相应的HIT生成模型,使其能够解决实体解析中的HIT生成问题。不同于其他HIT生成模型,本文将用户的错误率考虑进来,探讨了用户答题的错误率对于HIT生成效率和精度的影响。与此同时,该部分分别提出了两个HIT的概率生成模型框架,即最佳HIT生成模型1EPMQ和多HIT生成模型NEPMQ。除此之外,该部分证明了NEPMQ方法的HIT生成策略是一个NP-hard问题。为了解决这个NP-hard问题,本文分别提出了一个近似算法和一个启发算法。为验证本文提出的概率模型框架的可行性和有效性,本文第三部分基于小数据集进行了实体解析模拟实验并对本文进行了总结。根据模拟实验的解析结果,讨论并评估本文相应的概率模型和算法。通过对实验结果的评估,证明了本文提出的基于概率的HIT生成模型框架及其算法的可行性和有效性。