随着大数据时代的到来,海量数据在企业以及人们的日常生活中都有广泛的应用。数据质量对数据的应用效果起着至关重要的作用,其中数据时效性问题是数据质量的主要影响因素之一,由于在实际应用中,时间戳往往不完全甚至不存在,当前数据时效性问题的研究主要包括利用时序关系和时效约束及参照数据的方法推导实体时效性最高的属性值;结合时效规则和条件函数依赖协同提高数据时效性和一致性;结合时效规则和统计技术提高数据时效性。本文根据大数据特点:规模性,高速性,多样性,提出了大数据时效性问题的一些关键技术。本文的研究内容主要包括以下几个方面:根据大数据特点规模性,通过分布式处理框架Map Reduce处理海量数据,将海量数据时效性问题归约到k-Partition问题(NP-完全问题)。然后扩展2-Partition问题的近似算法,提出基于MapReduce的并行近似算法,优化了reduce端负载平衡效果,算法近似比接近于1。通过实验验证了负载平衡的MapReduce过程执行效率与准确性。根据大数据特点高速性,提出动态数据时效性模型,首先对原数据集进行预处理,根据时效规则对描述同一实体的记录进行按照时效性排序。然后,动态实时处理更新数据。同时我们从以下几个方面提高算法执行效率:建立实体查询B树,从而提高查找更新数据相应实体的时间;引入实体存储静态链表结构以减少更新数据集的时间;根据时效规则建立属性执行顺序的拓扑图和属性值与元组号之前的倒排索引,优化处理时效规则的过程。根据大数据特点多样性,将数据质量的时效性与一致性、精确性、时效性、完整性及同一性结合起来考虑,利用时效规则和条件函数依赖、匹配规则及主数据结合起来修复多源异构数据集合,提高数据可用性。同时通过时效关系填充与缺省值属性值时效性最接近的属性值提高数据完整性,实验表明该算法完善数据完整性准确率较高。