实体解析是指对同一实体的不同的表现形式进行识别、连接和分组,它在数据库管理、机器学习和信息检索中均有广泛应用。传统的实体解析方法主要针对小数据集,重点关注解析结果的准确性,随着大数据时代的到来,数据量急剧增加,传统的实体解析方法由于时间复杂度较高,难以处理海量的数据集。因此,我们需要更加有效的策略以解决海量数据带来的困难和挑战。为适应海量数据的实体解析工作,本文针对时间效率问题提出一种基于块依赖的实体解析方法,主要工作如下：(1)通过对原数据按照设定的分块标准进行数据集的分块,依靠分块技术初步减少计算量；(2)提出区域和依赖度的概念,设定数据筛选标准,筛选出与原分块中依赖度较低的实体,使其在下一阶段中进行二次匹配,以保证解析结果的正确性,并通过控制筛选出的实体数量,在一定程度上控制二次匹配的计算量,从而控制解析时间；(3)通过设定跨度距离来控制与已筛选实体进行二次匹配的实体的数量,进一步控制计算量,提高时间效率：(4)实现了数据分块阶段和跨度距离设定阶段的负载平衡策略,使每一个map/reduce任务的计算量相当,再次提高了基于块依赖的实体解析方法的时间效率。本文采用真实数据集DBLP-scholar和citeseer在Hadoop上对基于块依赖的实体解析方法进行了有效性和时间效率的评估,实验结果表明该方法在保证解析质量的基础上具有良好的时效性。