论文部分内容阅读
对CURE算法进行改进，将其应用到相似重复记录的检测。提出预抽样的概念，可以有效地确定记录集中相似重复记录的分布情况，提高随机抽样的准确性。改进代表点选择方法，提出基于距离影响因子的代表点选取策略，既可以根据数据集的密度进行代表点的选取，又能适当选取有一定意义的边缘点作为代表点，提高代表点选取的合理性。理论分析和实验表明，该方法在保证执行效率的情况下有很高的准确性。