[发明专利]基于候选项查询的数据分群

说明书

接收数据记录，每个都包括一个或多个字段中的一个或多个值，对接收的数据记录进行处理以识别匹配的数据群。该处理包括：对于选择的数据记录，由一个或多个值生成查询；使用所述查询从所接收的数据记录识别(140)一个或多个候选项数据记录；确定(160)所选择的数据记录是否满足群成员身份标准，该群成员身份标准是用于包含所述候选项记录的一个或多个已有数据群(180)的至少一个候选项数据群；以及至少部分基于用于所述候选项数据群的生长标准从一个或多个候选项数据群中选择所匹配的数据群，或者如果所选择的数据记录不满足用于任何已有数据群的群成员身份标准，或基于所述生长标准的结果，利用所选择的数据记录来初始化所匹配的数据群。

相关申请的交叉引用

本申请要求2011年11月15日所提交美国专利申请第61/560257号和2012年6月15日所提交美国专利申请第61/660259号的优先权，二者中每个都通过引用合并于此。

背景技术

本说明书涉及基于候选项查询的数据分群。

数据分群是这样一种方法，通过该方法将大体类似的信息用共享的标识符来标注，从而可使该信息后续在被处理时就像这些信息已经一起汇聚在同一位置那样。该信息可包括各种类型的信息，例如，诸如财务数据或医保记录等等。每个群(在多个群组成的一组中)包括已经被确定为符合一些类似性标准的多个数据单元(例如，文档、数据库记录、或其他数据对象)。一些技术属于“离线”技术，其将数据单元按批处理以生成群或添加至已有群。一些技术属于“在线”技术，其对数据单元按照接收这些数据单元的方式进行增量式处理。群可以是分级的，此时一个级别上的给定群自身在另一级别上被划分成多个群。在一些情况下，群对应于一个分区的数据单元，其中每个数据单元恰好是其中一个群，而在一些情况下，群可与属于一个以上群的其中一员的数据单元叠合。

发明内容

在一个方案中，一般而言，一种方法包括：接收数据记录，所接收的数据记录中每个都包括一个或多个字段中的一个或多个值；以及处理所接收的数据记录以识别匹配的数据群从而关联于每个接收的数据记录。该处理包括：对于从所接收的数据记录选择的数据记录，由所选择的数据记录中包括的一个或多个值生成查询；使用所述查询从所接收的数据记录识别一个或多个候选项数据记录；确定所选择的数据记录是否满足群成员身份标准，该群成员身份标准是用于包含所述候选项记录的一个或多个已有数据群的至少一个候选项数据群；以及至少部分基于用于所述候选项数据群的生长标准从一个或多个候选项数据群中选择所匹配的数据群，或者如果所选择的数据记录不满足用于任何已有数据群的群成员身份标准，或基于所述生长标准的结果，利用所选择的数据记录来初始化所匹配的数据群。

这些方案可具有以下特征的其中一个或多个。

生成所述查询包括识别标记，该标记的每个都包括所选择的数据记录的一字段或字段组合中的至少一个值或值的片段。

所述查询包括从所选择的数据记录识别的标记，以及从其他接收的数据记录识别的并与从所选择的数据记录识别的所述标记具有变体关系的标记。

所述变体关系至少部分基于一编辑距离。

识别候选项数据记录包括在数据存储中查找所识别的标记，该数据存储将存储的标记映射至候选项数据记录或包含候选项数据记录的已有数据群。

该方法还包括基于从一候选项数据记录识别的标记以及从其他接收的数据记录识别的并与从所述候选项数据记录识别的所述标记具有变体关系的标记来生成映射至所述候选项数据记录的存储标记组。

所述处理还包括基于可区别性标准对至少所接收的数据记录的初始组进行排序，该可区别性标准确定特定数据记录中包括的一个或多个值能够将该特定数据记录与其他数据记录区别开的程度。

从所接收的数据记录选择的数据记录包括从所排序的数据记录组选择的数据记录。