信息质量活动：准确性、完整性与错误处理

### 信息质量活动：准确性、完整性与错误处理 在信息处理过程中，确保信息的质量至关重要。本文将围绕信息质量的准确性、完整性以及错误定位与纠正展开讨论，介绍相关的概念、公式和方法。 #### 1. 相关符号与概念 在探讨信息质量的各项指标之前，先明确一些常用的符号及其含义： | 符号 | 含义 | | ---- | ---- | | r | 输入关系 | | r1, r2, .., rn | n 个输入关系的集合 | | s | 输出关系 | | \| r \| | 关系 r 的大小 | | acc | 准确性 | | inacc | 不准确性 | | cov | 覆盖率 | | compl | 完整性 | #### 2. 信息质量的准确性 不同学者对准确性进行了研究，并给出了相关的计算公式。 - **Wang 的研究**：Wang 针对选择和投影运算符给出了一些结果。在假设输出关系大小 \| s \| 已知的情况下，基于误差均匀分布的假设，可得出公式 acc(s) = acc(r)。对于最坏和最好情况，也有相应的公式，例如最坏情况下，若 \| r \| ≤ \| s \|，则 acc(s) = 0。 - **Parssian 的研究**：Parssian 的研究成果更为丰富，因为他为输入关系定义了更多的维度。 - **笛卡尔积运算**：对于两个关系 r1 和 r2 进行笛卡尔积运算，有 acc(s) = acc(r1) × acc(r2) 和 inacc(s) = acc(r1)×inacc(r2) + acc(r2)×inacc(r1) + inacc(r1)×inacc(r2)。 - **选择运算**：选择运算根据条件的结构分为四种不同情况，这里介绍两种。 - 当条件是对标识符属性应用不等式时，由于误差均匀分布的假设，s 的准确性、不准确性、错成员性和完整性值与 r 相同。 - 当条件是对非标识符属性 A 应用等式时，元组是否被选中取决于其在 A 属性上的值是否准确。此时，准确性公式为 acc(s) = acc(r) × \| r \| / \| s \| × P(t ∈ s)，其中 P(t ∈ s) 是准确/不准确/错成员元组在与条件中出现或不出现的非标识符属性相关的 r 的部分中的概率。 #### 3. 信息质量的完整性 Naumann 和 Scannapieco 在完整性方面做出了重要贡献。 - **Naumann 的方法**：在 Naumann 的方法中，关系 r1 的完整性、覆盖率和密度之间存在函数关系，即 compl(r1) = cov(r1) × density(r1)。他还针对两个关系 r1 和 r2 的二元运算符，在不同假设下对覆盖率等维度的组合函数进行了刻画。例如在连接合并操作中，不同假设下的结果不同，对应的覆盖率计算公式也不同。 | 假设/运算符 | r1 和 r2 不相交 | 量化重叠（= x） | r1 包含于 r2 | | ---- | ---- | ---- | ---- | | 连接合并 | 0 | \|x\| / \|ur\| | cov(r1) | | 左外连接合并 | cov(r1) | cov(r1) | cov(r1) | | 全外连接合并 | cov(r1) + cov(r2) | cov(r1) + cov(r2) - \|x\| / \|ur\| | cov(r1) | - **Scannapieco 的方法**：Scannapieco 考虑了开放世界假设下的两种情况，对并集运算符的完整性进行评估。 - **相同参考关系**：当 ref(r1) = ref(r2) = ref(s) 时，若没有关于关系的额外知识，只能给出完整性的上界 compl(r) ≤ max (compl(r1), compl(r2))。在此不等式背后，又可细分为三种情况： - 不相交：若 r1 ∩ r2 = 0，则 compl(s) = compl(r1) + compl(r2)。 - 非量化部分重叠：若 r1 ∩ r