基于属性相关度的Web数据库大小估算方法

提出了一种基于词频统计的方法以估算Web数据库的规模.通过分析Web数据库查询接口中属性之间的相关度来获取某个属性上的一组随机样本;并对该属性分别提交由前k位高频词形成的试探查询以估算Web数据库中记录的总数.通过在几个真实的Web数据库上进行实验验证,说明该方法可以准确地估算出Web数据库的大小.

Deep Web数据集成中的实体识别方法

互联网上存在着大量可访问的Web数据库,不同web数据库之间存在着内容上的重叠.来自不同web数据库的记录虽然在网页上的表现形式不同,但是可能描述的是同一实体.因此实体识别是Deep web数据集成中数据合并过程里一个必不可少的环节,而且是一个很具有挑战性的工作.对该问题进行了深入的探讨,提出了一种新颖的方法自动完成实体识别,该方法克服了传统的实体识别工作以模式匹配为前提的弊端,并且与领域无关.实验表明,该方法在Deep web环境下可以达到相当高的准确性.

一种基于图模型的Web数据库采样方法

Web数据库中,海量的信息隐藏在具有特定查询能力的查询接口后面,使人无法了解一个Web数据库内容的特征,比如主题的分布、更新的频率等,这就为DeepWeb数据集成带来了巨大的挑战.为了解决这个问题,提出了一种基于图模型的Web数据库采样方法,可以通过查询接口从Web数据库中以增量的方式获取近似随机的样本,即每次查询获取一定数量的样本记录,并且利用已经保存在本地的样本记录生成下一次的查询.该方法的一个重要特点是不受查询接口中属性表现形式的局限,因此是一种一般的Web数据库采样方法.在本地的模拟实验和真实Web数据库上的大量实验表明,该方法可以在较小代价下获得高质量的样本.

延续护理对脑梗塞出院患者治疗依从性的影响

目的探讨延续护理干预对脑梗塞出院患者治疗依从性的影响。方法将2012年6月—2014年5月老年病科收治的共80例脑梗塞患者根据出院日期分为干预组和对照组。对照组患者只给予常规出院指导,干预组患者在出院后进行常规出院指导的基础上,给予延续性护理,例如建立档案和出院随访跟踪表,根据患者的情况对其进行个体化的健康教育与指导,包括掌握正确的用药方法,功能锻炼,合理控制饮食,测量生命体征等遵医情况。出院后2个月收集并比较2组患者的饮食控制、运动及药物治疗、再次入院的依从性和治疗效果。结果干预组和对照组患者饮食控制依从性分别是80%(32例)和55.26%(21例);运动治疗依从性分别是75%(30例)和47.36%(18例),干预组高于对照组,差异有统计学意义(P<0.05);药物治疗依从性分别是100%(40例)和63.16%(24例);患者再次住院率分别是20%(8例)和31.5%(12例),干预组低于对照组,差异有统计学意义(P<0.05)。结论延续护理能有效提高脑梗塞出院患者治疗依从性,使其再次住院率降低,提高患者和家属满意度,所以延续护理对减少脑梗塞并发症,提高生活质量具有重要意义。