基于等位基因分区的记录链接先验分布

在数据库管理中，记录链接旨在识别对应于同一主体的多条记录。该任务可视为一个聚类问题，其中潜在实体关联于一条或多条含噪数据库记录。然而，与传统聚类应用不同，此情形下预期会出现大量簇且每簇仅含少量观测。本文引入一类基于等位基因分区的新型先验分布，特别适用于记录链接的小簇设定。我们的方法便于在不同尺度上引入关于簇大小分布的先验信息，并自然强制最大簇大小的次线性增长——即所谓的微聚类性质。我们还引入一组新颖的微聚类条件，以对簇大小施加进一步的先验约束。我们利用模拟数据与三个官方统计数据集评估所提先验类的性能，并表明相较记录链接文献中最先进的微聚类模型，我们的模型提供了具竞争力的结果。此外，我们基于文献近期提出的决策理论方法，比较了不同损失函数在分区最优点估计中的性能。