Detección de duplicados: una guía metodológica
Resumen
Cuando una misma entidad del mundo real se almacena más de una vez, a través de una o varias bases de datos, en tuplas con igual estructura pero sin un identificador único y éstas presentan diferencias en sus valores, se presenta el fenómeno conocido como detección de duplicados. Para esta tarea, se han desarrollado múltiples funciones de similitud las cuales detectan las cadenas de texto que son similaresmas no idénticas. En este artículo se propone una guía metodológica para seleccionar entre nueve de estas funciones de similitud (Levenshtein, Brecha Afín, Smith-Waterman, Jaro, Jaro-Winkler, Bi-grams, Tri-grams, Monge-Elkan y SoftTF-IDF) la más adecuada para un caso específico o situación particular, de acuerdo con la naturaleza de los datos que se estén analizando.
Cómo citar
Descargas
Descargas
Publicado
Número
Sección
Licencia
La publicación de un artículo en la Revista Colombiana de Computación, requiere la autorización por parte del autor, a través del formato de cesión de derechos, el cual autoriza al Editor de esta Revista, para la reproducción parcial o total, con fines académicos, no comerciales, ni lucrativos, de acuerdo a la filosofía Open Access en sitios Web y en Internet como en redes, bases de datos bibliográficas, índices, directorios o cualquier otro medio de reproducción electrónica, haciendo referencia siempre al autor(a) y a la revista en mención, de acuerdo a lo estipulado en la Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
Métricas
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | 488 |
| Vistas de PDF | 607 |
| Descargas de PDF | 607 |
| Vistas de HTML | 0 |
| Otras vistas | 0 |
