Jednou z typických úloh, se kterou se můžeme setkat při udržování deduplikované referenční relace kmenových (master) dat je porovnávání nového vstupujícího záznamu s existující referenční relací. V odborné literatuře je popsána řada přístupů, místy i s pokusy o srovnání dílčích metod. Chybí ale ucelený přehled všech použitelných metod a standardní benchmark těchto metod na reálných datech. Tato studie se pokouší vyplnit tuto mezeru a poskytuje jak ucelený přehled všech metod, tak metodiku standardního benchmarku, který by umožňoval porovnání jednotlivých metod na reálných datech.
| Úroveň 1 | Úroveň 2 | Název metody |
|---|---|---|
| Metody pro přesné porovnání | Lookup | |
| Přesný join | ||
| Metody pro přibližné porovnání | Fuzzy Join | |
| Triviální metody | Odstranění samohlásek | |
| Standardizace velikosti písmen | ||
| Fonetické algoritmy | Soundex | |
| Metaphone | ||
| Double-Metaphone | ||
| Daitch-Mikotoff | ||
| Metody založené na kalkulaci nákladů transformace | Jarova vzdálenost | |
| Jaro-Winklerova vzdálenost | ||
| Editační vzdálenost | ||
| Levenshteinova vzdálenost | ||
| Needleman-Wunchova vzdálenost | ||
| Smith-Watermanova vzdálenost | ||
| Metody založené na tokenizaci | Diceho koeficient | |
| N-gram | ||
| Jaccardův koeficient | ||
| Hammingova vzdálenost | ||
| KL Divergence | ||
| Fellegi Sunter | ||
| TF-IDF Kosínová podobnost | ||
| Hybridní metody | Fuzzy Similarity Function | |
| Komplexní metody | Porovnávací kódy | |
| Metody pro optimalizaci | M-tree index | |
| Error Tolerant Index | ||