监督式匹配与实体解析的清洗数据集

数据集概述

本数据集包含13个已确立的基准数据集和5个新基准数据集，用于评估基于机器学习（ML）和深度学习（DL）的实体匹配算法。数据集涵盖结构化和文本类型，涉及学术、产品、企业等领域的实体对，支持多种匹配算法的测试与比较。

文件详解

• 压缩文件（Compressed Files）
• 文件名称：Dn7.zip、Dn6.zip、magellanExistingDatasets.tar.gz、Dn8.zip、Dn5.zip、Dn3.zip、Dn2.zip、Dn1.zip
• 文件格式：ZIP（8个）、GZ（1个）
• 字段映射介绍：文件包含13个已确立数据集（如Structured DBLP-ACM、Textual Abt-Buy等）和5个新基准数据集（如Abt-Buy、IMDB-TMDB等），具体字段因数据集类型而异，结构化数据集通常包含实体属性（如标题、作者、价格等），文本数据集包含实体描述文本。

适用场景

• 实体匹配算法评估: 用于测试和比较ML/DL-based匹配算法（如EMTransformer、GNEM等）在不同数据集上的性能。
• 实体解析研究: 支持Clean-Clean实体解析领域的模型训练与验证。
• 数据集成应用: 为跨数据源的实体对齐任务提供基准测试数据。
• 算法优化分析: 分析不同类型数据集（结构化/文本、清洁/脏数据）对匹配算法效果的影响。