- Код статьи
- S30346444S0002338825030118-1
- DOI
- 10.7868/S3034644425030118
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 3
- Страницы
- 113-120
- Аннотация
- Рассматривается подход к повышению согласованности структуры. Цель исследования заключается в выборе метода объединения идентичных объектов в группы, поскольку именно идентичные объекты могут эффективно обмениваться информацией и использовать информацию, полученную в результате этого обмена. Для достижения поставленной цели был проведен ряд экспериментов с различными методами, после чего был выбран лучший с точки зрения целевой меры качества и скорости работы. Предлагаемый подход позволяет учитывать различные характеристики объектов и связи между ними, что обеспечивает точное определение идентичных объектов, а также имеет эффективную реализацию для распределенных вычислительных систем, что делает его быстрым даже на больших объемах данных. Сравнение рассматриваемых подходов произведено на примере задачи поиска идентичных изделий для управления ассортиментом и поставками.
- Ключевые слова
- структурная согласованность кластеризация классификация
- Дата публикации
- 21.04.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 23
Библиография
- 1. Creps R., Polzer H., Yanosy J. Systems, capabilities, operations, programs, and enterprises (SCOPE). Model for interoperability assessment // NetworkCentric Operations Industry Consortium, 2008. P. 154.
- 2. GOST R 55062-2012. Information Technology (IT). Industrial Automation Systems and Their Integration.Interoperability. Basic Provisions // Standartinform. 2014. P. 12.
- 3. Baas J., Dastani M., Feelders J. Exploiting Transitivity for Entity Matching // The Semantic Web: ESWC Satellite Events: Virtual Event. Revised Selected Papers 18. Cham: Springer International Publishing, 2021. P. 109-114.
- 4. Dulin S.K.Introduction to the Theory of Structural Coherence. M.: Computing Center of the Russian Academy of Sciences, 2005. P. 135.
- 5. Rosenberg I.N., Dulin S.K., Dulina N.G. Modeling the Structure of Interoperability by Means of Structural Consistency // Computer Science and its Applications. 2023. V. 17. P. 57-65.
- 6. Papadakis G., Svirsky J., Gal A. et al.Comparative Analysis of Approximate Blocking Techniques for Entity Resolution // Proc. VLDB Endowment. 2016. V. 9. P. 684-695.
- 7. Miao Z., Li Y., Wang X. Rotom: A meta-learned data augmentation framework for entity matching, data cleaning, text classification, and beyond // Proc.Intern. Conf. on Management of Data. Xi’an. 2021. P. 1303-1316.
- 8. Thirumuruganathan S., Li. H, Tang N. et al. Deep Learning for Blocking in Entity Matching: a Design Space Exploration // Proc. VLDB Endowment. 2021. V. 14. P. 2459-2472.
- 9. Dulin S.K., Ryabtsev A.B. Algorithm for Improving the Consistency of Structural Interoperability. Dependability, 2024. P. 8-15.
- 10. Zhu X., Zoubin G. Learning from labeled and unlabeled data with label propagation // Tech. Rep., Technical Report CMU-CALD-02-107. Carnegie Mellon University, 2002. https://mlg.eng.cam.ac.uk/zoubin/papers/CMUCALD-02-107.pdf
- 11. https://github.com/graphframes/graphframes
- 12. Kaufman L., Rousseeuw P.J. Finding groups in data: an introduction to cluster analysis. John Wiley & Sons, 2009.
- 13. Rosenberg A., Hirschberg J. V-Measure: a conditional entropy-based external cluster evaluation measure, 2007.
- 14. Fowkles E., Mallows C. A method for comparing two hierarchical clusterings // J. American Statistical Association. 1983. V. 78. P. 553-569.
- 15. Rand W. Objective criteria for the evaluation of clustering methods // J. American Statistical Association. 1971. V. 66. P. 846-850.
- 16. Hubert L., Arabie P.Comparing partitions // J. Classification. 1985. V. 2. P. 193-218.
