一種基于XML的信息搜索技術.pdf

1、近年來，XML技術及其應用正受到越來越廣泛的重視，隨著更多的數(shù)據(jù)以XML的格式組織起來，基于XML的數(shù)據(jù)挖掘技術也正日益受到關注，其中，如何從XML數(shù)據(jù)庫中進行信息的搜索是較為活躍的研究領域之一。本文對“基于XML的信息搜索”這一題目進行了研究，主要工作有以下幾個方面： 1.在單一源文檔T中搜索用戶需求DT目前，諸多關于此類的研究都致力于已經(jīng)存在的兩個文檔T1，T2之間的相似性比較上，而對如何進行信息搜索的研究相對較少。本文首先

2、分析了文檔間相似性的衡量問題，針對以往算法所普遍具有的運算復雜度高的缺點，從文檔本身具有的結構特性出發(fā)，提出了基于倒向路徑(L-R)的信息搜索方法，并在該方法的基礎上，給出了DT同T之間的匹配度計算公式，從算法可以看出，該算法的運算復雜度隨著XML文檔結構的復雜程度而線性地變化。 2.在XML數(shù)據(jù)庫(即XML文檔集合)中搜索用戶需求DT在實際應用中，普遍發(fā)生的情況是從某一XML數(shù)據(jù)庫S[T]中搜索同用戶需求DT相關的信息。對于龐

3、大的XML數(shù)據(jù)庫而言，不可能從中拿出每一個文檔同DT加以比較，尤其是當用戶一次提出多個搜索需求DT或多個用戶同時提出需求時，其運算的量也將加大，為解決這一問題，本文對XML數(shù)據(jù)庫進行預處理，將那些同DT相關的信息先整理出來，以備后用。這種想法對于多需求的搜索來說尤為重要。 首先，本文對數(shù)據(jù)庫的預處理進行了研究，基本思想是：將用戶的搜索需求DT歸入到XML數(shù)據(jù)庫S[T]中，形成新的XML文檔集合S'[T]。在新的文檔集合S'[T]

4、上進行聚類操作，以找到那些在結構和描述內容上同DT相關的文檔。 其次，針對XML本身所具有的結構化，自描述性等特點，在聚類操作中引入了PBC(Path-Based-Clustering)聚類算法，并分析了該算法在用于信息搜索時的不足，根據(jù)這一不足提出DTD映射的概念并加以改進，解決了諸如“結點缺失”“結構拓展”等問題，使算法對同一結構的不同組織方式的辨別能力更加靈活，與此同時，DTD映射中所創(chuàng)建的路徑表識結點Ai和“層次”屬性有