Top-k相似连接算法性能优化

　　相似连接算法在数据清理、数据集成和重复网页检测等领域有着广泛的应用．现有相似连接算法有两种类型：基于相似度阈值的相似连接和Top-k相似连接.Top-k连接算法非常适合于相似度阈值未知的应用场景，目前最为有效的Top-k相似连接算法是Xiao等人提出的Topk-j oin．为了解决Topk-j oin中存在的性能问题，提出了一种Top-k相似连接算法Opt-j oin，该算法将Token批处理技术集成在现有的事件驱动框架中，以降低前缀事件的处理代价；通过置换哈希查找与过滤操作的执行位置来降低哈希查找代价，并理论证明了该置换的正确性．实验结果表明：与Topk-join算法相比，Opt-join取得了1.28倍-3 .09倍的性能提升．实验数据还显示：随着数据长度的增加或K值的增长，Opt-join的性能优势有不断增加的趋势，