基于概率推断的质量控制智能体

发布时间：2021-02-01 15:18

　　实体解析（Entity Resolution,ER）是数据集成和清洗领域的基础问题,而不一致性消歧（Inconsistency Reconciliation,IR）通过对现存的不同ER算法产生的不一致记录对进行消歧,进一步提升解析效果。但是现有的IR方法有一个局限,即消歧结果没有质量保障。对此,首次提出了一个基于概率推断的质量控制智能体,记为QCAgent。该智能体不需要训练数据集,能够在满足给定查准率的约束条件下输出查全率最大的消歧结果。它的核心思想是:首先,使用异常点检测模型来估算不一致记录对匹配的概率,并依据这些概率估算查准率和查全率,再将计算出的查准率和查全率作为环境端的反馈;其次,使用二分搜索算法,选择满足查准率要求且查全率最大的翻转方案,作为QCAgent的下一次行动;然后,用更新后的一致结果训练异常点模型,并估算查准率和查全率。按此循环,当新估计的查准率满足约束条件时,该迭代过程停止。在真实的数据集上,实验结果表明:QCAgent能够有效解决消歧结果的质量控制问题。 

【文章来源】：计算机科学. 2019,46(04)北大核心

【文章页数】：6 页

【文章目录】：
1 引言
2 相关工作
3 问题描述
4 基于概率推断的质量控制智能体
    4.1 系统框架
    4.2 基于概率推断的质量估计
    4.3 基于二分搜索的翻转策略选择
5 实验验证
    5.1 有效性
    5.2 可扩展性
结束语


【参考文献】：
期刊论文
[1]深度强化学习研究综述[J]. 赵星宇,丁世飞.  计算机科学. 2018(07)
[2]深度强化学习综述[J]. 刘全,翟建伟,章宗长,钟珊,周倩,章鹏,徐进.  计算机学报. 2018(01)
[3]一种基于离群点检测的自动实体匹配方法[J]. 樊峰峰,李战怀,陈群,刘海龙.  计算机学报. 2017(10)



本文编号：3012981