基于擴(kuò)展邊集比較法的XML文檔結(jié)構(gòu)及語義相似性計(jì)算研究.pdf

1、由于有著標(biāo)準(zhǔn)化、簡(jiǎn)潔、結(jié)構(gòu)嚴(yán)謹(jǐn)和可高度擴(kuò)展等優(yōu)點(diǎn)，可擴(kuò)展標(biāo)記語言XML在飛速發(fā)展的互聯(lián)網(wǎng)中逐漸成為網(wǎng)絡(luò)數(shù)據(jù)表示和交換的標(biāo)準(zhǔn)格式。現(xiàn)今網(wǎng)絡(luò)上出現(xiàn)了大量的XML文檔，這些文檔有些被很好地組織存放在XML數(shù)據(jù)庫里，有些則分散在各個(gè)站點(diǎn)、服務(wù)器上。怎樣更好地管理這些文檔或者從這些文檔中發(fā)現(xiàn)有用的信息、知識(shí)，已經(jīng)成了數(shù)據(jù)庫、信息檢索和數(shù)據(jù)挖掘等領(lǐng)域的研究熱點(diǎn)。XML文檔的相似性計(jì)算是其中的一個(gè)熱點(diǎn)，得到了國內(nèi)外眾多學(xué)者的廣泛研究。通過檢測(cè)XML文

2、檔之間的相似性，可以對(duì)數(shù)據(jù)倉庫中的XML文檔進(jìn)行版本控制、變化管理，可以將從不同數(shù)據(jù)源獲取的文檔進(jìn)行數(shù)據(jù)集成、分類或者聚類，亦可以對(duì)XML檢索結(jié)果進(jìn)行排序等。
　　 與傳統(tǒng)的文檔不同，XML文檔是結(jié)構(gòu)化的文檔，既包含文本信息，又包含結(jié)構(gòu)信息。XML文檔可以用樹形結(jié)構(gòu)表示。研究學(xué)者提出了許多方法(例如基于樹的編輯距離方法，將傳統(tǒng)的信息檢索方法進(jìn)行擴(kuò)展的帶結(jié)構(gòu)信息檢索模型，邊集比較法，快速傅里葉變換方法等)來檢測(cè)結(jié)構(gòu)化文檔的相似性，

3、并取得了很大的研究成果。然而，在時(shí)間效率和精度等方面并沒有做到最好，還有一些可以改進(jìn)的空間。
　　 本文提出了一種擴(kuò)展邊集比較法來計(jì)算XML文檔之間的相似性。此方法不僅生成父子節(jié)點(diǎn)之間的普通邊，還生成祖先和子孫節(jié)點(diǎn)之間的拓?fù)溥?，給不同層和類型的邊賦予不同的權(quán)值。并且定義了完全匹配，拓?fù)淦ヅ浜椭貜?fù)匹配三種匹配方式。在邊集匹配過程中，算法可以檢測(cè)出兩條邊之間是屬于哪種匹配，并對(duì)每種匹配賦予不同的權(quán)值，以更合理地計(jì)算相似性。擴(kuò)展邊集比