Parallel blocking for entity resolution in the context of semi-structured data.

• Autor(a) principal: ARAÚJO, Tiago Brasileiro.
• Data de Publicação: 2020
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/12655
• topic: Banco de Dados; Sistemas de Informação; Resolução de Entidades; Dados Semiestruturados; Técnicas Agnósticas de Blocagem; Computação Distribuída; Streaming de Dados; Processamento Incremental; Database; Information Systems; Entity Resolution; Semistructured Data; Schema-agnostic Blocking Tech-niques; Distributed Computing; Streaming Data; Incremental Processing; Ciência da Computação

A tarefa de Resolução de Entidades (RE) surge como um passo fundamental para integrar múltiplas bases de conhecimento ou identificar semelhanças entre os dados (entidades). Para evitar o custo quadrático da tarefa de Resolução de Entidades, técnicas de blocagem (ou indexação) são amplamente aplicadas como uma etapa de pré processamento. Neste contexto, dados semi estruturados e grandes fontes de dados (Big Data) emergem como os principais desafios enfrentados pelas técnicas de blocagem. No que diz respeito aos dados semiestruturados, o desafio está relacionado ao fato de que tais dados não compartilham um mesmo esquema, inviabilizando a aplicação de técnicas tradicionais de blocagem. Neste contexto, técnicas agnósticas de blocagem são aplicadas. Em relação às grandes fontes de dados (Big Data), técnicas de blocagem e computação distribuída devem ser aplicadas com o intuito de melhorar a eficiência da tarefa de RE. Nesse sentido, este trabalho propõe um modelo de execução distribuída para blocagem de dados semiestruturados no contexto grandes fontes de dados, capaz de atende às diferentes necessidades dos perfis de aplicação enfrentados pela tarefa de RE. Esses perfis de aplicação estão relacionados às necessidades e características inerentes a cada aplicação, tais como a forma como os dados são recebidos (i.e.,em lotes ou streaming), qualidade dos dados e priorização da eficácia/eficiência da blocagem.Além disso, o presente trabalho também propõe novas técnicas de blocagem que podem ser acopladas ao modelo proposto.Tais técnicas de blocagem endereçam desafios em aberto segundo a literatura, como técnicas agnósticas de blocagemem paralelo, processamento incremental e blocagem de dados em streaming. As técnicas de blocagem foram avaliadas experimentalmente com o objetivo de mensurar a eficiência e eficácia em relação às técnicas de blocagem do estado da arte, utilizando fontes de dados reais. Com base nos resultados experimentais, é possível destacar que as novas técnicas de blocagem apresentaram resultados mais promissores, podendo ser acopladas ao modelo de execução distribuída proposto,de maneira a atender as diferentes necessidades inerentes aos perfis de aplicação.