پیوند احتمالاتی رکوردهای فارسی با داده های گم شده

پیوند رکوردها برای شناسایی واحدهای یکسان در یک یا چند مجموعه داده ی لاتین در مقالات متعدد مورد بررسی قرار گرفته و روش های مناسبی ارائه شده است. اما پیوند رکوردهایی که اطلاعات آن ها به زبان فارسی ثبت شده است، به دلیل ویژگی های خاص نوشتارهای فارسی و نبود استاندارد ثبت اطلاعات، با مسائل خاصی مواجه می باشد. در این مقاله ضمن معرفی پیوند رکوردها بر اساس یک مدل احتمالاتی، روش هایی برای آماده سازی فایل ها به روش استانداردسازی و بلوک بندی و انتخاب متغیرهای شناساگر ارائه می شوند، که پیوند احتمالاتی رکوردهای فارسی را میسر سازند. برای مقابله با داده های گم شده که از جمله ی مسائل مهم کاربردی در پیوند رکوردها محسوب می شوند، روش جدیدی پیشنهاد شده است، که احتمال وجود داده های گم شده را نیز در مدل پیوند رکوردها لحاظ می کند. سپس نحوه ی برآورد پارامترهای این مدل با الگوریتم EM ارائه شده است. برای افزایش تعداد فیلدهای قابل مقایسه نیز الگوریتمی مبتنی بر افراز فیلدهای مرکب ارائه گردیده است. سپس نحوه ی کاربست روش های ارائه شده برای پیوند احتمالاتی رکوردهای حاصل از سرشماری های کارگاهی در یک منطقه ی جغرافیایی ایران، نشان داده شده است.