基于拓撲匹配子樹方法的XML結構相似性度量方法研究.pdf

1、隨著互聯(lián)網(wǎng)技術的不斷深入發(fā)展，信息技術在社會各領域中不斷普及應用，許多傳統(tǒng)、經(jīng)典的信息技術科學方法在新領域中的應用遇到了新的問題與挑戰(zhàn)。傳統(tǒng)的HTML語言在數(shù)據(jù)表示、交換方面已不能適應日益增長的網(wǎng)絡規(guī)模。這時，具有良好交互性、擴展性、易讀性的XML語言應運而生，被廣泛用于不同平臺間的數(shù)據(jù)交互并作為最重要的網(wǎng)絡存儲數(shù)據(jù)的形式之一。近些年基于XML文檔的應用大量涌現(xiàn)，這些應用大多會涉及到XML文檔相似性計算。XML文檔相似性計算已成為了數(shù)據(jù)

2、庫和信息檢索的核心內容，是信息技術應用中所要解決的基本問題之一。雖然近些年國內外提出了很多比較XML相似度的算法，例如基于編輯距離的方法，基于信息檢索的方法以及其他方法如路徑匹配法等，但是這些方法在準確率和性能方面都有各自的不足之處，并且面對當前網(wǎng)絡中的大規(guī)模XML數(shù)據(jù)時，現(xiàn)有方法并不能很好的處理。
　　 本文針對以上問題，提出了一種基于拓撲匹配子樹方法的XML結構相似性的度量方法，方法充分考慮了XML樹的節(jié)點權重、路徑權重以及

3、XML樹的結構信息度，定義了拓撲子樹、拓撲匹配樹和拓撲匹配度的概念，當比較XML模式樹與數(shù)據(jù)樹的結構相似度時，迭代的生成模式樹的所有拓撲子樹，通過查找拓撲子樹在數(shù)據(jù)樹中相應的拓撲匹配樹并比較它們的拓撲匹配度，進而得到模式樹與數(shù)據(jù)樹的結構相似度。算法的時間復雜度為O(N2)，有著較好的運行效率。針對如何能有效的管理大規(guī)模XML文件，本文提出了一種基于Hadoop平臺的XML結構相似性計算系統(tǒng)，該系統(tǒng)使用上文中提到的基于拓撲匹配子樹方法的X