传统的关键词Top-N查询技术大多基于干净数据集,难以直接用于脏数据集。脏数据集中可能存在大量包含拼写错误、空值或重复的记录,直接查询难以得到可靠的结果,从而影响后续决策分析的准确性甚至得到错误的结论。传统实体解析技术识别与合并脏数据集中的重复记录,从而得到一个干净数据集,但是其耗时大且难以直接与查询算法相结合,所以有必要研究实时实体解析技术并且设计有效的分块索引和算法,使其可以在亚秒级时间内完成一条记录的解析。针对包含重复、拼写错误或空值等类型的脏数据,本文研究实时实体解析和关键词Top-N查询技术。本文的主要工作包括:(1)针对数据集中的多个属性建立多个索引,每个索引根据相应属性值的特征使用不同的索引结构,包括哈希索引、跳跃表索引以及B~+树索引等,用来对数据集进行划分。基于多个索引构成全局索引来协同检索候选元组。(2)设计基于多索引的实时实体解析相应的排序函数与算法。排序函数以编辑距离为基础,利用元组间相同属性值的数目以及属性值长度等因素来判断两元组是否指向同一实体。所设计的算法通过对数据集进行分块,减少候选元组的数目,从而提高实体解析效率。同时避免不必要的计算,以减少实体解析的时间,使其可以在亚秒级时间内解析一条记录。(3)基于多索引,设计两种关键词Top-N查询算法来对脏数据集进行查询处理。一种是基于实体解析结果的关键词查询,另一种是融合实时实体解析的关键词查询。同时利用元组属性的数目、属性的重要程度、查询词的匹配数目等因素设计排序函数,对关键词查询结果进行排序。本文基于真实数据合成了多个有着不同规模、重复次数、拼写错误或空值的脏数据集。通过在这些脏数据集上进行大量实验,验证了本文所提出的实体解析算法与关键词查询算法的有效性与高效性。