面向檢索和分類的XML數(shù)據(jù)管理技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)應(yīng)用的高速發(fā)展，Web服務(wù)技術(shù)逐漸成熟，網(wǎng)絡(luò)上出現(xiàn)了大量用可擴(kuò)展標(biāo)記語(yǔ)言(eXtensible Markup Language，XML)表示的半結(jié)構(gòu)化數(shù)據(jù)。XML作為一種數(shù)據(jù)存儲(chǔ)和交換格式，在互聯(lián)網(wǎng)絡(luò)環(huán)境中扮演著極其重要的角色，它已經(jīng)成為數(shù)據(jù)交換事實(shí)上的標(biāo)準(zhǔn)，在電子商務(wù)、電子政務(wù)、金融及各個(gè)方面得到越來(lái)越廣泛和深入的應(yīng)用。但是，隨著網(wǎng)絡(luò)需求的日益增大，面對(duì)海量的XML數(shù)據(jù)，如何從這些數(shù)據(jù)中查詢到需要的信息，如何從這些繁雜的XM

2、L數(shù)據(jù)中挖掘出有價(jià)值的、潛在的關(guān)聯(lián)關(guān)系，以及如何對(duì)這些海量的XML數(shù)據(jù)進(jìn)行分類或聚類，都是目前人們?cè)诰W(wǎng)絡(luò)環(huán)境中經(jīng)常遇到并亟待解決的問(wèn)題。因此，面向檢索和分類的XML數(shù)據(jù)管理成為人們目前研究的熱點(diǎn)問(wèn)題。
　　XML是萬(wàn)維網(wǎng)聯(lián)盟于1998年2月正式發(fā)布的一種描述數(shù)據(jù)結(jié)構(gòu)的可擴(kuò)展標(biāo)記語(yǔ)言，由于它具有良好的可擴(kuò)展性、自我描述性及平臺(tái)無(wú)關(guān)性的特點(diǎn)，使得其在互聯(lián)網(wǎng)應(yīng)用中日趨增多，XML的廣泛應(yīng)用使得高效的XML數(shù)據(jù)管理成為一種迫切需求。近幾年

3、來(lái)，針對(duì)XML的研究日益增多，其研究領(lǐng)域涉及到方方面面:從基礎(chǔ)性的XML數(shù)據(jù)編碼到XML關(guān)鍵字查詢，從XML數(shù)據(jù)存儲(chǔ)到XML文檔分類，從XML分布式處理到XML訪問(wèn)控制，從物理存儲(chǔ)到安全傳輸，從高效查詢到文檔聚類，涉及的內(nèi)容種類繁多且日趨復(fù)雜。本文主要從數(shù)據(jù)管理者最關(guān)心的數(shù)據(jù)檢索和分類角度出發(fā)，重點(diǎn)從XML編碼、XML查詢、與分類相關(guān)的XML特征表示及相似度檢測(cè)這幾個(gè)方面進(jìn)行了研究，主要內(nèi)容及創(chuàng)新點(diǎn)如下:
　　(1)針對(duì)XML文檔

4、的結(jié)構(gòu)特殊性，提出了一種環(huán)形結(jié)構(gòu)的XML編碼方案。該方案采用環(huán)形結(jié)構(gòu)組織兄弟節(jié)點(diǎn)，可以實(shí)現(xiàn)編碼的動(dòng)態(tài)更新。為了測(cè)試其性能，采用靜態(tài)編碼分析及實(shí)例測(cè)試法，和另外幾種編碼方案在空間大小及動(dòng)態(tài)更新方面進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，這種環(huán)形結(jié)構(gòu)的編碼方案有效地改善了已有XML編碼方案標(biāo)注代價(jià)高和更新效率低的問(wèn)題。
　　(2)當(dāng)含有敏感信息的XML文檔在網(wǎng)上傳輸或交換時(shí)，用戶需要執(zhí)行受限查詢。針對(duì)受限查詢的情況，設(shè)計(jì)了一種關(guān)鍵字安全查詢算法。以

5、帶有訪問(wèn)權(quán)限的實(shí)例信息樹(shù)為主體，首先優(yōu)先抽取主干信息策略，然后再反向作用于實(shí)例信息樹(shù)存儲(chǔ)特殊節(jié)點(diǎn)的壓縮方法，同時(shí)采用了擴(kuò)展的前綴編碼方案，為安全查詢提供方便。實(shí)驗(yàn)結(jié)果表明，在查詢的關(guān)鍵字?jǐn)?shù)量較少、關(guān)鍵字出現(xiàn)頻率較高時(shí)，這種基于壓縮策略的安全查詢方式與未壓縮策略前的相比，最高省時(shí)66％，最低省時(shí)10％，有效地提高了查詢效率。
　　(3)面對(duì)網(wǎng)上海量的半結(jié)構(gòu)化數(shù)據(jù)，針對(duì)各種XML文檔有效且精確分類的焦點(diǎn)問(wèn)題，在主成分分析(Princi

6、pal Component Analysis，PCA)理論分析的基礎(chǔ)上，提出了一種新的基于邊集和全路徑的特征表示方法。為了減少向量空間維數(shù)，采用PCA降維技術(shù)，使得向量空間維數(shù)由初始的幾百維最終降到了10維以內(nèi)?；谏鲜鎏卣鞅硎炯敖稻S技術(shù)基礎(chǔ)上，采用K最近鄰分類器完成了XML文檔自動(dòng)有效分類。
　　(4)為了完成有監(jiān)督學(xué)習(xí)的XML文檔分類，提出了一種基于矩陣存儲(chǔ)的XML相似度檢測(cè)算法，該算法首先對(duì)XML文檔提取主干結(jié)構(gòu)，然后對(duì)其矩