Pass-Join-K:多分段匹配的相似性连接算法

相似性连接是数据清理工作的基本模型，获得了大量数据库工作者的关注。研究了基于编辑距离的相似性连接问题，即在两个字符串集合中寻找编辑距离小于一个阈值的字符串对，并在Pass-Join算法的基础上，提出了一个新的Pass-Join-K算法。Pass-Join—K算法在长短字符串上都有很好的表现。该算法的主要思想是利用Pass-Join算法的划分原理，以多次匹配的方式，达到更加严格地选取候选配对的目的。实验结果显示，Pass-Join-K算法减少了候选对的数量，在实际数据集上相比元算法在运行时间上有2～5倍的提升。