《实体解析与信息质量》 - 1.1.1 实体解析

实体解析 （EntityResolution）

实体解析（ER）是一种用于判断两条记录是否指向同一事物的过程。实体这个术语描述了过程的目标是真实世界的事物，比如某个人，地点或者物品。 而解析则描述了回答这样的一个问题的过程：两条不同记录是否指向了同一个真实实体？

尽管实体解析的定义描述的是两条记录之间的关系，但事实上，这个定义也可以被延伸到一个更大的记录集合上，相应的，该过程的输出则聚合了指向同一实体的所有记录的子集/簇。在这样的上下文中，ER的定义也可以解释为：“识别并整合所有定义同一真实世界实体的记录的过程”（Benjelloun,Garcia-Molina, Menestrina, et al., 2009）。

在虚拟的IT世界中，实体被表现成一系列实体特征，称之为属性。 而所有属性的值的组合则提供了关于该特定实体的信息。其中一部分的特征，它们的值的组合将唯一确定某个实体，这样的属性集被称为身份记录。 作为现实中的个人，常见的属性有姓名，家庭住址，生日等。而身份记录属性则是那些常常被用作识别该人的数据， 比如指纹，驾照以及出身证明。再举一个商品的例子，它的属性则通常包括型号，尺寸，生产厂家，或者通用产品码，后者也正是该产品的身份属性。

引用， 则是指某个特定实体的属性集合（译者：比如数据库中的某一行记录，便是某个特定实体的一个引用，它包含了该实体的一个属性子集。可以将该书中的引用理解为记录）。当两个不同引用指向了同一实体，便被称为共通引用（ Chen,Kalashnikov, Mehtra, 2009）或者是一致引用（Benjelloun，et al., 2009）。 为了方便后面的描述，我们在本书中将指向同一实体的不同引用统称为等价引用。

引用属性的完整性，准确性，时效性，可信度，一致性，可行性以及许多其他方面都对实体解析的过程以及结果造成影响。这也是实体解析与另一相关领域，信息质量（IQ）密不可分的一个重要原因。

在接下来的讨论中，我们还会做出一个重要的假设：唯一引用假设。即任何一个引用，在真实世界里有且只有一个对应实体。因为在实际中，常常会出现这样的情况： 某一个引用所指向的实体有歧义。举例来说，销售人员在写订单时，他已经有了预想要购买的产品，然而在填写关于产品需求的描述时，可能信息是不完全的。这导致采购人员在购买产品时无法断定应该购买哪件产品。