随着大数据时代的到来,数据成为企业的核心资产,分析和挖掘数据的潜在价值对企业业务发展和关键决策具有重要作用。数据集成是数据挖掘分析的基础,数据集成中,多源异构数据可能存在数据缺失、不一致等数据质量问题,而数据清洗是保证数据质量的重要手段之一。数据清洗技术需要依赖大量外部知识来指导清洗过程,但由于外部知识规模较小、构建低效等特点,限制了数据清洗效率。而知识图谱具有知识规模大、语义丰富等特点,因此,研究利用知识图谱进行数据清洗具有重要的理论意义和价值。针对数据集成中存在的数据缺失、数据错误问题,设计并实现了基于知识图谱的数据清洗系统KGDC。该系统分为模式匹配、模式修复和推理修复三个模块。从三个模块的关系来看,首先通过模式匹配获取到数据列的显式、隐式关系,然后根据模式匹配结果对数据表进行模式修复和推理修复,完成对数据表的整体清洗。研究内容如下:第一,研究了知识图谱在数据清洗中的应用技术。针对数据清洗依赖外部知识的特性,建立起知识图谱和待清洗数据的关系模式,为数据表进行错误修复奠定基础。第二,针对多个数据表之间存在关联关系的数据清洗场景,提出了基于整体数据表的数据清洗方法。该方法利用数据表之间存在的外键约束,建立表间显式关系和隐式关系,进行数据清洗。该方法相对单表清洗效率更高。第三,基于知识推理,提出了一种多表推理修复的方法。针对显式修复出现空候选集或多值候选集而无法对数据进行直接修复的情形,通过显式关系转化或候选值归属确认,进行数据清洗,进一步提升了多表清洗效率。最后,对提出的数据清洗方法进行了测试,测试分为单表修复测试、多表修复测试、多表推理修复测试。测试结果表明,多表修复相对单表修复,数据表间关联关系越多,清洗效率提升幅度越大。多表推理修复相对多表修复,知识图谱中关联知识越多,清洗效率的提升越明显。