Result Merging for Structured Queries on the Deep Web with Active Relevance Weight Estimation

سیستم های یکپارچه سازی داده ها در شبکه عمیق، یک ابزار شفاف برای پرس و جو چندین منبع داده در یک بار است. ادغام نتایج - تولید یک لیست کلی رتبه بندی نتایج از منابع مختلف در پاسخ به پرس و جو - یک جزء کلیدی از یک سیستم ادغام داده است. در این کار ما یک مدل ادغام یافته ای را ارائه می دهیم که مدل برآورد وزن واقعی مربوط به آن است. از تکنیک های موجود برای تلفیق نتیجه متفاوت است، ارتباط یک منبع داده را در پاسخ دادن به پرس و جو در زمان پرس و جو بررسی می کنیم. ربط ها برای مجموعه ای از منابع داده ها با یک طرح (وزن نرمال شده) بیان می شود: هرچه وزن برای یک منبع داده بیشتر باشد، منبع در جواب دادن به پرس و جو است. ما مقادیر یک منبع داده را در هر زیر مجموعه منابع داده درگیر در یک پرس و جو آموزش تخمین می زنیم. از آنجا که یک پرس و جو آنلاین ممکن است دقیقا با هر پرس و جو آموزشی مطابقت نداشته باشد، ما روش هایی را برای بدست آوردن یک زیرمجموعه از پرس و جو آموزش هایی که مربوط به پرس و جو آنلاین است، طراحی می کنیم. ما مقادیر مربوطه از پرس و جو آنلاین را از وزن این زیر مجموعه از پرسشنامه های آموزش محاسبه می کنیم. آزمایشات ما نشان می دهد که روش ما بهتر از الگوریتم های ادغام پیشرو با زمان پاسخ قابل مقایسه است.