Deep Web下不確定數據處理的研究.pdf

1、隨著Web相關技術的日益成熟和Deep Web所蘊含信息量的快速增長，通過對Web數據庫的訪問逐漸成為獲取信息的主要手段，對Deep Web的研究也越來越受到人們的關注。Deep Web蘊藏了更加豐富，更加“專業(yè)”(專注于某一領域)的信息。為了幫助人們快速、準確地利用Deep Web中的海量信息，數據集成成為Deep Web研究領域的一個重要方向。
　　 在Deep Web數據集成過程中，數據級、映射級、查詢級都會產生不確定數據

2、。首先，由于系統處理的數據多種多樣，有些數據本身就具有不確定性，并且從文本或半結構化的數據源中抽取信息等技術都會產生不確定數據；其次，當數據源與中介模式進行映射時，也很有可能產生不確定性的映射關系；最后，用戶查詢的關鍵字和結構化查詢內容之間對應關系也同樣不確定。
　　 面對海量的不確定數據，為了滿足用戶得到感興趣的信息的要求，本文提出了在Deep Web下不確定數據的處理模型。即首先分析不確定數據的不同來源，對相似度計算方法分類

3、，選擇合理的匹配相似度算法或語義相似度算法來得到屬性值對應的概率值。再利用數據挖掘相關知識來獲得用戶感興趣的信息。關聯規(guī)則挖掘是數據挖掘一個重要的研究方向，目前大多數的算法集中于提高挖掘包含確定數據的事務頻繁集效率。
　　 本文改進經典的Apriori和FP-growth數據挖掘算法，得到UD-Apriori算法和UD-FP-growth算法進行不確定數據的處理。其中，UD-Apriori算法是使用一種稱作逐層搜索的迭代方法，k

4、-項集用于探索(k+1)-項集。同時利用Apriori性質的反單調性，壓縮運算的時間和空間。UD-FP-growth算法繼承了FP-growth算法，采用分而治之的策略。該算法基本思想是將整個數據庫壓縮表示成樹結構UD-FP-tree，并將頻繁模式挖掘過程轉化為遞歸產生條件子樹的過程。
　　 UD-Apriori算法和UD-FP-growth算法能高效挖掘不確定數據頻繁集，發(fā)現不確定數據之間的關聯關系，為數據庫中缺失的信息提供參