随着大数据时代的到来,信息科学技术不断迅速发展,数据规模呈现快速增长趋势,但在大量相关数据中,数据质量问题普遍存在。数据质量是衡量数据好坏的核心标准之一。一般情况下用这几个数据质量维度来评价数据的好坏:完整性、准确性、一致性和及时性。质量不高的数据会严重影响大数据信息时代下的信息应用。对信息的错误理解,会给人们增添很多不便,甚至造成灾难性的后果。因此迫切的需要对数据质量的相关问题采取措施,数据质量的问题也成为了数据领域的重要的研究工作。数据完整性就是数据质量问题中一个重要方面,保证数据的完整性变得尤为重要。因为在许多场景中,保证查询答案的完整性是至关重要的。具体来说,数据集中没有包含足够的信息来回答查询我们就叫做数据不完整,分为属性值缺失和元组缺失。如何基于完整性对数据进行填充,是研究数据质量的一个基本问题。现有的填充缺失值的方法,仅能通过计算或者随机填充并不能准确的填充缺失值,同时也没有考虑到数据的完整性。本文针对缺失值的填充,提出了基于完整性利用其他数据源来进行填充缺失值的策略。本文同时考虑了元组完整性和属性值完整性两个方面,对于如何基于完整性对填充缺失值进行了系统的研究。由于现代信息的快速发展,数据源的数量也不断增长,访问太多的数据源会带来巨大的开销,这使得利用数据源来进行缺失值填充的成本过高,所以如何选择合适数据源成了本文的主要研究问题,主要研究成果如下:1.本文研究了填充缺失属性值的数据源选择策略。在基于完整性填充缺失属性值的问题上,本文提出了一种基于最小哈希签名的数据源选择策略,首先基于属性值缺失我们定义了数据源选择的增益模型使得我们选择的数据源的收益最大化;然后利用最小哈希技术,使得可以在不访问数据源的情况下利用数据源的签名来进行有效的数据源选择;设计了近似贪心算法来解决这个NP-难问题,算法在准确性上和传统贪心算法是有可比性的,而在效率方面是明显优于传统贪心算法的。真实数据和合成数据上实验表明:利用最小哈希签名来进行数据源选择的方法是准确和高效的。2.本文研究了填充缺失元组的数据源选择策略。在基于完整性填充缺失元组的问题上,本文提出了一种基于遗传算法的数据源选择策略,首先基于元组缺失我们定义了数据源选择的增益模型使得我们选择的数据源的收益最大化;然后我们提出了利用遗传算法来搜索最优数据源的策略,保证了我们填充后的目标数据源的完整性。我们将该问题转换成了0-1整数规划问题,利用不断交叉和变异的遗传算法,选择最合适的数据源来进行填充。该算法采用高质量的过程搜索最优解方法,在真实数据和合成数据中表现出良好的性能和很高的扩展性。