大数据质量（大数据技术与应用） -凯发app

       数据作为一种基础性与战略性资源得到了广泛认可，数据服务成为很多组织和机构日常运营中必不可少的重要环节。当下，数据质量在理论越来越受到关注，不仅是制约数据产业发展的关键问题，也是大数据应用研究中绕不开的重大问题。《大数据质量》汇集了国内外数据质量研究的经典理论、技术和方法，以及最新的前沿发展趋势；首先介绍了传统数据质量研究的各种代表性成果，并在此基础上，分析大数据时代下数据质量面临的挑战，并详细介绍基于大数据的数据质量相关技术的实现；最后，通过一个实际案例，提出一套完整的大数据质量凯发app的解决方案。

目录

第1章理解数据质量1

●1.1数据质量问题2
1.1.1数据质量带来的影响2
1.1.2影响数据质量的因素4

●1.2数据质量概述7
1.2.1数据质量定义7
1.2.2大数据时代数据质量面临的挑战8

●1.3数据质量与信息质量10
1.3.1从数据质量到信息质量的发展历程11
1.3.2数据质量与信息质量的区别与联系12
参考文献14第2章数据质量标准17

●2.1iso 8000国际标准18
2.1.1iso 8000的历史与现状18
2.1.2iso/ts 8000100系列概述20
2.1.3iso/ts 8000100主数据质量22
2.1.4iso 22745： 2010概述24

●2.2地理信息质量标准iso 1910028
2.2.1地理信息数据质量31
2.2.2地理信息数据质量评价33

●2.3统计数据质量标准35
2.3.1国际统计数据标准概述35
2.3.2imf的数据公布通用标准（gdds）36
2.3.3imf的数据公布特殊标准（sdds）38

●2.4科学数据质量标准39
2.4.1科学数据标准规范39
2.4.2科学数据质量框架43
参考文献44第3章数据分类及数据模型47

●3.1数据类型及分类48
3.1.1数据类型48
3.1.2数据分类49

●3.2结构化数据模型51
3.2.1概念模型51
3.2.2逻辑模型53

●3.3半结构化和非结构化数据模型56
3.3.1xml语言57
3.3.2半结构化数据模型——数据和数据质量（d2q）模型67
3.3.3非结构化数据模型——四面体模型71
参考文献79第4章数据质量相关技术81

●4.1数据集成82
4.1.1数据仓库的基本概念82
4.1.2数据仓库的体系架构83
4.1.3数据仓库的元数据87

●4.2数据剖析89
4.2.1数据剖析的方法89
4.2.2数据剖析实例92

●4.3数据清洁95
4.3.1数据清洁概述95
4.3.2“脏”数据的来源96
4.3.3数据清洁的原理与框架97
4.3.4数据清洁工具100
4.3.5大数据环境下的数据清洁102

●4.4数据溯源105
4.4.1数据溯源的基本概念105
4.4.2数据溯源的分类106
4.4.3数据溯源模型107
4.4.4数据溯源的方法109
4.4.5数据溯源的应用111
4.4.6大数据溯源111
参考文献115第5章数据质量评估121

●5.1数据质量维度122
5.1.1数据质量维度定义122
5.1.2常用的数据质量维度123
5.1.3其他的数据质量维度126
5.1.4质量维度度量127

●5.2数据质量评估框架130
5.2.1dqaf框架131
5.2.2aimq框架133
5.2.3dqa框架136

●5.3数据质量评估方法137
5.3.1定性评估137
5.3.2定量评估138
5.3.3综合评估140

●5.4数据质量评估案例——媒体信息可信度质量评估152
5.4.1背景概述152
5.4.2媒体信息可信度评价指标体系153
5.4.3媒体信息可信度的综合评价模型154
5.4.4实验过程及结果分析160
参考文献163第6章数据质量管理167

●6.1质量管理168
6.1.1质量管理发展历程168
6.1.2全面质量管理170

●6.2数据质量管理概述171
6.2.1数据质量管理方法172
6.2.2数据质量知识库管理173
6.2.3mit全面数据质量管理175

●6.3数据质量管理团队建设176
6.3.1任命首席数据官177
6.3.2建立数据质量管理团队178

●6.4质量管理成熟度模型179
6.4.1信息质量管理成熟度模型180
6.4.2数据质量管理成熟度模型181
参考文献184第7章位置大数据中的质量研究187