一種基于XML的信息搜索技術(shù).pdf

1、近年來，XML技術(shù)及其應(yīng)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(shù)也正日益受到關(guān)注，其中，如何從XML數(shù)據(jù)庫(kù)中進(jìn)行信息的搜索是較為活躍的研究領(lǐng)域之一。本文對(duì)“基于XML的信息搜索”這一題目進(jìn)行了研究，主要工作有以下幾個(gè)方面： 1.在單一源文檔T中搜索用戶需求DT目前，諸多關(guān)于此類的研究都致力于已經(jīng)存在的兩個(gè)文檔T1，T2之間的相似性比較上，而對(duì)如何進(jìn)行信息搜索的研究相對(duì)較少。本文首先

2、分析了文檔間相似性的衡量問題，針對(duì)以往算法所普遍具有的運(yùn)算復(fù)雜度高的缺點(diǎn)，從文檔本身具有的結(jié)構(gòu)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(chǔ)上，給出了DT同T之間的匹配度計(jì)算公式，從算法可以看出，該算法的運(yùn)算復(fù)雜度隨著XML文檔結(jié)構(gòu)的復(fù)雜程度而線性地變化。 2.在XML數(shù)據(jù)庫(kù)(即XML文檔集合)中搜索用戶需求DT在實(shí)際應(yīng)用中，普遍發(fā)生的情況是從某一XML數(shù)據(jù)庫(kù)S[T]中搜索同用戶需求DT相關(guān)的信息。對(duì)于龐

3、大的XML數(shù)據(jù)庫(kù)而言，不可能從中拿出每一個(gè)文檔同DT加以比較，尤其是當(dāng)用戶一次提出多個(gè)搜索需求DT或多個(gè)用戶同時(shí)提出需求時(shí)，其運(yùn)算的量也將加大，為解決這一問題，本文對(duì)XML數(shù)據(jù)庫(kù)進(jìn)行預(yù)處理，將那些同DT相關(guān)的信息先整理出來，以備后用。這種想法對(duì)于多需求的搜索來說尤為重要。 首先，本文對(duì)數(shù)據(jù)庫(kù)的預(yù)處理進(jìn)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(kù)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(jìn)行聚類操作，以找到那些在結(jié)構(gòu)和描述內(nèi)容上同DT相關(guān)的文檔。 其次，針對(duì)XML本身所具有的結(jié)構(gòu)化，自描述性等特點(diǎn)，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(shí)的不足，根據(jù)這一不足提出DTD映射的概念并加以改進(jìn)，解決了諸如“結(jié)點(diǎn)缺失”“結(jié)構(gòu)拓展”等問題，使算法對(duì)同一結(jié)構(gòu)的不同組織方式的辨別能力更加靈活，與此同時(shí)，DTD映射中所創(chuàng)建的路徑表識(shí)結(jié)點(diǎn)Ai和“層次”屬性有