随着信息社会的发展,信息作为一种战略资源和生产要素已经成为社会正常运转和企业生命线的基础。但是,当前的信息或数据质量水平并不乐观。全世界每年在确保数据质量或解决错误或不准确的数据(质量差)的问题上花费了大量的资金。数据质量问题已经越来越引起政府部门、研究机构和企业的越来越广泛的关注。如果没有良好的数据质量,使用错误的数据来进行决策,很容易导致负面结果。数据的不一致性会导致数据的质量下降,导致决策不当和带来重大的损失。因此,为了支持做出正确的决策,获得更多的收益,我们需要对数据的一致性进行评估,当前针对一致性评估问题,主流的方法是通过语义一致性来对数据集进行评估。然而,在如今这个数据量爆炸的时代,对数据集进行一致性评估,还存在着许多挑战。其中最大的挑战是,为了得到精确的一致性评估结果,我们需要对相关数据源进行一一访问。由于数据源数目非常庞大,如果访问所有的数据源来对一致性进行评估,会导致花费高昂的成本。为了解决该问题,我们提出了不直接访问数据源来对数据集的一致性进行评估。为了有效的评估数据集的一致性和提高数据一致性评估的效率,本文从多数据源的角度,对评估目标数据集的一致性进行研究,主要研究成果如下:1.本文设计了数据一致性测量和评估框架,在一致性评估问题上,本文研究了多数据源下的一致性评估,提出了多数据源下的数据一致性测量与评估测度,并给出了一致性评估的精确算法;2.本文提出了基于函数依赖(FD)的一致性评估算法,首先,我们利用最小哈希的技术,设计了一种有效的签名,该签名的规模远远小于原数据源的规模,接下来,我们根据提出的一致性评估框架,利用生成的签名对数据集进行一致性评估,最后,我们分别在两个真实数据集上进行了对比实验,实验结果证实了算法的正确性、有效性;3.本文提出了基于匹配依赖(MD)的一致性评估算法,由于匹配依赖涉及到模糊匹配,因此我们在最小哈希签名的基础上设计了两层签名来对多数据源下的基于匹配依赖规则对数据集进行一致性评估。首先,我们构造第一层签名,然后,再利用最小哈希技术对第一层签名设计签名,对数据再次进行压缩,从而利用数据签名对数据源进行有效的一致性评估,最后,我们在两个真实数据集上分别进行了实验,实验结果表现出我们的算法是快速且有效的。