سال انتشار: ۱۳۸۲

محل انتشار: نهمین کنفرانس سالانه انجمن کامپیوتر ایران

تعداد صفحات: ۹

نویسنده(ها):

رامین رهنمون – سازمان تامین اجتماعی – دفتر راهبری سیستم ها

چکیده:

داده ها در دنیای واقعی پر از خطا، ناقص و ناسازگار هستند . هدف از پالایش داده ها رفع این نواقص اطلاعاتی است . سیستم هویتی در یک سازمان وظیفه شناسایی افراد شرکت کننده در آن سازمان را بر عهده دارد. بدلیل وجود خطا در هنگام تولید اطلاعات مشخصات هویتی، در عمل رکوردهای هویتی متفاوتی برای یک فرد واحد تولید می گردد.
این مقاله به دنبال یافتن الگوریتمی جهت شناسایی رکوردهای متعددی است که به یک فرد در سیستم تعلق دارد تا امکان پالایش داده ها میسر گردد. برای این منظور از ایده فاصله لونشتین جهت میزان مشابهت بین دو رکورد استفاده شده است. فاصله لونشتین برای تعیین مشابهت بین هر دو رشته ای قابل استفاده است. اما در اینجا این الگوریتم در کاربردخاص ذکر شده تخصصی شده است. اشتباهات رایج تایپی در زبان فارسی، اهمیت مکان کاراکتر ها در شته ها، حذف اطلاعات رج زده شده ازجمله مواردی است که به ایده اولیه فاصله لونشتین اضافه شده است.
از انجا که در این مقاله مسئله تطبیق رکوردها مطرح است، اهمیت فیلدهای هر رکورد در میزان مشابهت از طریق ضرایبی تعیین می شود. برای بدست آورد ضرایب بهینه الگوریتم ژنتیکی مورد استفاده قرار گرفته تا از طریق یادگیری از نمونه های موجود بهینه ترین ضرایب محاسبه گردند. نتایج شبیه سازی موید بهبود قابل توجه سیستم در شناسایی رکوردهای مشابه پس از اعمال نکات فوق است.