面向Web的XML文檔數(shù)據(jù)管理及分類檢索技術(shù)研究.pdf

1、隨著計(jì)算機(jī)和互聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)已經(jīng)成為資源數(shù)量最多、種類最全、規(guī)模最大的綜合信息庫，這些信息大致可分為兩類：結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)，據(jù)統(tǒng)計(jì)，非結(jié)構(gòu)化數(shù)據(jù)占有整個(gè)信息量的80％以上，在信息傳遞過程中，80％的時(shí)間是用來獲取信息，因此，如何從Web網(wǎng)上科學(xué)高效地獲取信息即是本文研究的意義所在。
　　 XML數(shù)據(jù)庫技術(shù)和Web搜索引擎技術(shù)的發(fā)展為提高Web信息檢索特別是非結(jié)構(gòu)化數(shù)據(jù)的檢索效率帶來了希望。因?yàn)閄ML數(shù)據(jù)庫技術(shù)提供了

2、信息存儲(chǔ)和管理的技術(shù)保障，而搜索引擎技術(shù)為Web信息檢索構(gòu)建了操作平臺(tái)?；诖?，本文針對XML文檔數(shù)據(jù)管理技術(shù)及面向Web的分類檢索技術(shù)做了深入細(xì)致的研究。本文主要研究內(nèi)容和創(chuàng)新性工作如下：
　　 首先，綜述和分析了純XML數(shù)據(jù)庫和使能XML數(shù)據(jù)庫的管理技術(shù)及索引機(jī)制，在分析各種數(shù)據(jù)模型特點(diǎn)基礎(chǔ)上，研究討論了以關(guān)系數(shù)據(jù)庫作為存儲(chǔ)源、擴(kuò)展XQuery作為數(shù)據(jù)模型的優(yōu)勢，通過對XQuery數(shù)據(jù)模型的擴(kuò)展，提出了基于Schema模式約

3、束的XML數(shù)據(jù)存儲(chǔ)和索引結(jié)構(gòu)SBXI，從用戶邏輯層面定義了XML文檔更新語言XUL，并應(yīng)用Kweelt查詢系統(tǒng)和JAVA技術(shù)實(shí)現(xiàn)了文檔更新的關(guān)鍵技術(shù)。
　　 然后，解決了XML網(wǎng)頁分類的關(guān)鍵技術(shù)一信息檢索模型問題。由于傳統(tǒng)的向量空間模型不能適用于XML文檔結(jié)構(gòu)相似度比較，提出了基于Tree Miner算法的頻繁結(jié)構(gòu)向量模型，構(gòu)建了文檔特征矩陣的表示方法和相似度函數(shù)；并對該模型拓展，進(jìn)一步提出頻繁結(jié)構(gòu)層次向量模型，不僅挖掘XML文

4、檔的結(jié)構(gòu)信息，同時(shí)抽取表征文檔內(nèi)容的關(guān)鍵詞信息，提高了相似度量的準(zhǔn)確率。通過對頻繁結(jié)構(gòu)挖掘算法TreeMiner進(jìn)行改進(jìn)，使其更適合大文檔集合的頻繁結(jié)構(gòu)挖掘，實(shí)驗(yàn)證明基于頻繁模式的檢索模型具有很好的網(wǎng)頁分類效果。
　　 最后，提出了分類檢索與全文檢索結(jié)合的二次檢索策略，從系統(tǒng)設(shè)計(jì)角度構(gòu)架了以頻繁結(jié)構(gòu)層次向量模型作為信息檢索模型、SBXI作為索引結(jié)構(gòu)的基于主題分類的Web文獻(xiàn)全文檢索搜索引擎的系統(tǒng)結(jié)構(gòu)，并討論了其主要構(gòu)件的功能和工