大数据时代背景下，数据集上的实体解析正面临着数据更新快、数据规模大和数据质量差的问题，这不仅让此前形成的解析结果很快失效，而且让随之不断演化的相似记录更加难以被解析。现有聚类算法并不太适合对数据集中不断演化的相似记录进行有效的解析，因此，致力于如何在不对整个数据集进行重新聚类的情况下对其中不断演化的相似记录进行有效解析，已成为增量实体解析研究中亟待解决的重要问题。　　本研究主要开展了三个方面的研究：⑴在对代表记录产生方法，以及不具代表性的代表记录可能导致潜在相似的记录被排除在记录簇外，而不相似的记录却被保留在记录簇内进行分析的基础上，提出基于优先队列的代表记录产生模型，旨在产生更具代表性的代表记录。模型主要关注三部分内容:待比较记录与代表记录间的相似性判定、待比较记录与代表记录间的合并，以及代表记录的产生。⑵在对相似记录聚类方法，以及因对应属性值彼此存在细微判别而出现相似性异常，或解析方法本身存在局限性而导致潜在相似的记录无法聚类到一起进行分析的基础上，提出基于并查集的相似记录聚类模型，旨在进一步识别出潜在相似记录并将它们聚类到一起，从而让代表记录的代表性进一步得到增强。模型主要关注三部分内容:基于重要属性生成高质量Key、基于多趟扫描结果计算传递闭包，以及基于并查集合并相似记录。⑶在对记录簇调整方法，以及数据集上因不断出现新增、删除或更新记录而导致此前解析结果中的记录簇无法进行快速有效调整进行分析的基础上，提出基于代表记录的记录簇调整模型，旨在让在数据集不断演化时记录簇调整过程更具针对性、有效性、稳定性和快速性。模型主要关注三部分内容:潜在相似代表记录的确定、相关的记录簇自适应调整，以及记录簇的代表记录更新。采用Cora数据集分别对提出模型的有效性、可行性进行验证，并从整体上将文中方法与相关性聚类方法进行了对比分析，并进一步将它们的结果和Cora数据集中人工划分的结果进行了对比。实验结果表明文中方法相较于较相关性聚类方法在解析效率、解析精度等方面都有一定程度的优势。