Duke 重复数据删除引擎：链接记录不起作用？

Question

我正在尝试使用 Duke 将记录从一个数据库匹配到另一个数据库。一个 db 有歌名 + 作者。我正在尝试与另一个数据库匹配以查找重复项和相应的记录。

我已经成为运行的公爵，我可以看到一些记录得到了匹配。但无论我做什么，总是找到正确的链接 = 0%，我就是无法访问链接文件。

这是我目前所做的：

<duke>
<schema>
    <threshold>0.79</threshold>
    <maybe-threshold>0.70</maybe-threshold>
    <path>test</path>

    <property type="id">
        <name>PublishingID</name>
    </property>

    <property type="id">
        <name>AmgID</name>
    </property>

    <property>
        <name>NAME</name> 
        <comparator>no.priv.garshol.duke.comparators.JaroWinkler</comparator>
        <low>0.12</low>
        <high>0.61</high>
    </property>
    <property>
        <name>TITLE</name> 
        <comparator>no.priv.garshol.duke.comparators.Levenshtein</comparator>
        <low>0.09</low>
        <high>0.93</high>
    </property>
</schema>

<group>
    <jdbc>
        <param name="driver-class" value="com.mysql.jdbc.Driver"/>
        <param name="connection-string" value="jdbc:mysql://127.0.0.1"/>
        <param name="user-name" value="root"/>
        <param name="password" value="root"/>
        <param name="query" value="
            SELECT pSongs.song_id, pSongs.songtitle, pSongs.publisher_id, pWriters.first_name AS writer_first_name, pWriters.last_name AS writer_last_name 
            FROM    devel_matching.publisher_songs AS pSongs
            INNER JOIN devel_matching.publisher_writers as pWriters ON pWriters.publisher_id = pSongs.publisher_id AND pWriters.song_id = pSongs.song_id
            WHERE pSongs.writers LIKE '%LENNON, JOHN%'
            LIMIT 20000;"/>
        <column name="song_id" property="PublishingID"/>
        <column name="songtitle" property="TITLE" cleaner="no.priv.garshol.duke.cleaners.LowerCaseNormalizeCleaner"/>
        <column name="writer_first_name" property="NAME" cleaner = "no.priv.garshol.duke.cleaners.LowerCaseNormalizeCleaner"/>
    </jdbc>
</group>

<group>
    <jdbc>
        <param name="driver-class" value="com.mysql.jdbc.Driver"/>
        <param name="connection-string" value="jdbc:mysql://127.0.0.1"/>
        <param name="user-name" value="root"/>
        <param name="password" value="root"/>
        <param name="query" value="
            SELECT amgSong.id, amgSong.track, SUBSTRING_INDEX(SUBSTRING_INDEX(amgSong.composer, '/', numbers.n), '/', -1) composer
            FROM 
                devel_matching.numbers INNER JOIN devel_matching.track as amgSong
                ON CHAR_LENGTH(amgSong.composer) - CHAR_LENGTH(REPLACE(amgSong.composer, '/', '')) >= numbers.n - 1
            WHERE amgSong.composer like '%lennon%'
            LIMIT 5000;"/>
        <column name="id" property = "AmgID"/>
        <column name="track" property="TITLE" cleaner="no.priv.garshol.duke.cleaners.LowerCaseNormalizeCleaner"/>
        <column name="composer" property="NAME" cleaner = "no.priv.garshol.duke.cleaners.LowerCaseNormalizeCleaner"/>
    </jdbc>
</group>

输出：

总记录数：5000
总匹配数：8284
不匹配总数：1587
找到正确的链接：0 / 0 (0.0%)
找到错误链接：0 / 0 (0.0%)
找到未知链接：8284
链接的百分比正确 0.0%，错误 0.0%，未知 100.0%
精度0.0%，召回NaN%，f数0.0

运行 Spring STS：程序参数 = --progress --verbose --testfile=linked.txt --testdebug --showmatches duke.xml

它没有写入 linked.txt 或找不到任何正确的链接。不确定我在这里做错了什么。任何帮助都会很棒。

Answer 1

实际上，它正在查找 8284 个链接。 --testfile 用于给 Duke 一个包含已知正确链接的文件，基本上是测试数据。您想要的是 --linkfile，它将您找到的链接写入该文件。

我想我应该添加针对空测试文件发出警告的代码，因为这很可能表示用户错误。

顺便说一句，你最好在 Duke 邮件列表上问这个问题。

Duke 重复数据删除引擎：链接记录不起作用？

Duke deduplication engine: linking records not working?

java

xml

fuzzy-logic

record-linkage

duke