字符串相似性連接是數(shù)據(jù)質(zhì)量管理的基本操作，也是數(shù)據(jù)價(jià)值發(fā)現(xiàn)的關(guān)鍵步驟。針對(duì)目前已有的方法不能滿足面向大數(shù)據(jù)的增量式處理需求的問題，提出一種面向流式數(shù)據(jù)的增量式字符串相似性連接方法-Inc-Join，并對(duì)方法的索引技術(shù)進(jìn)行了優(yōu)化。該方法以Pass-Join字符串連接算法為基礎(chǔ)，首先，采用字符串劃分技術(shù)將字符串劃分成多個(gè)互不相交的子串；然后，建立字符串的反向索引列表并將其作為狀態(tài)；最后，新增數(shù)據(jù)只需根據(jù)狀態(tài)進(jìn)行相似性計(jì)算，每次連接操作結(jié)束后都對(duì)狀態(tài)進(jìn)行更新。實(shí)驗(yàn)結(jié)果表明，Inc-Join方法在不影響連接準(zhǔn)確率的同時(shí)，有效將長(zhǎng)、短字符串重復(fù)匹配次數(shù)減少為根號(hào)n（n是批處理方式的匹配次數(shù)）。實(shí)驗(yàn)對(duì)3種數(shù)據(jù)集進(jìn)行處理，發(fā)現(xiàn)使用批處理方式進(jìn)行相似性連接的響應(yīng)時(shí)間是Inc-Join的1至4.7倍，并呈現(xiàn)急劇遞增的趨勢(shì)；而且優(yōu)化后Inc-Join方法的響應(yīng)時(shí)間最小只占優(yōu)化前的3/4，并隨處理數(shù)據(jù)的增多所占比例越來越小。同時(shí)優(yōu)化后的Inc-Join不需要保存狀態(tài)，再一次減小了算法執(zhí)行的時(shí)間和空間開銷。