论文部分内容阅读
针对目前相似重复记录检测方法不能有效处理大数据量的问题，提出一种基于熵的特征优选分组聚类的算法。该方法通过构造一个基于对象间相似度的熵度量，对原始数据集中各属性进行重要性评估，筛选出关键属性集，并依据关键属性将数据划分为不相交的小数据集，在各小数据集中用DBSCAN聚类算法进行相似重复记录的检测。理论分析和实验结果表明：该方法识别精度和检测效率较高。