XML數(shù)據(jù)頻繁模式挖掘技術(shù)研究.pdf

1、XML具有簡(jiǎn)單性、結(jié)構(gòu)化、可擴(kuò)展性、互操作性、開(kāi)放性、通用性、靈活性等特點(diǎn)，因而在數(shù)據(jù)交換、數(shù)據(jù)集成、數(shù)據(jù)發(fā)布、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)管理、知識(shí)管理、信息檢索等諸多領(lǐng)域獲得廣泛應(yīng)用。XML數(shù)據(jù)的快速發(fā)展迫切需要與之相適應(yīng)的、能有效處理XML，數(shù)據(jù)的數(shù)據(jù)挖掘技術(shù)。然而傳統(tǒng)數(shù)據(jù)挖掘技術(shù)主要處理關(guān)系數(shù)據(jù)庫(kù)或數(shù)據(jù)倉(cāng)庫(kù)中的結(jié)構(gòu)化數(shù)據(jù)，無(wú)法解決具有復(fù)雜層次結(jié)構(gòu)的XML，數(shù)據(jù)挖掘問(wèn)題。 目前關(guān)于XML，數(shù)據(jù)頻繁模式挖掘技術(shù)的研究尚處于起步階段，雖然研

2、究人員已經(jīng)提出了一些面向XML數(shù)據(jù)的頻繁模式挖掘算法，但由于XML數(shù)據(jù)具有結(jié)構(gòu)變化、不規(guī)則、沒(méi)有完全固定模式等特點(diǎn)，且XML數(shù)據(jù)中可挖掘結(jié)構(gòu)繁多，因而至今缺乏一個(gè)統(tǒng)一的、抽象的模型去描述XML數(shù)據(jù)的頻繁模式挖掘過(guò)程。本文在研究XML，數(shù)據(jù)結(jié)構(gòu)模型特征、表示方法的基礎(chǔ)上，提出了一個(gè)統(tǒng)一、抽象的XML，頻繁模式挖掘框架系統(tǒng)。并在此框架基礎(chǔ)上分別就XML數(shù)據(jù)的頻繁標(biāo)簽序列挖掘技術(shù)、頻繁查詢子樹(shù)離線挖掘技術(shù)、頻繁查詢子樹(shù)在線挖掘技術(shù)、文檔歷史版

3、本變化結(jié)構(gòu)挖掘技術(shù)進(jìn)行了討論和研究： 面向XML文檔聚類的頻繁XML標(biāo)簽序列挖掘技術(shù)研究采用分而治之的思想，提出了基于概念格的XML，頻繁標(biāo)簽序列挖掘算法。算法將XML標(biāo)簽數(shù)據(jù)按照共同前綴序列分成不相交等價(jià)類；通過(guò)在每個(gè)等價(jià)類中分別實(shí)施挖掘過(guò)程獲取頻繁標(biāo)簽序列。在標(biāo)簽序列挖掘技術(shù)基礎(chǔ)上，研究了基于頻繁標(biāo)簽序列的XML文檔聚類技術(shù)。該技術(shù)采用頻繁標(biāo)簽序列表示文檔特征，通過(guò)考慮標(biāo)簽序列包含關(guān)系，并引入標(biāo)簽路徑長(zhǎng)度、標(biāo)簽路徑在XML文

4、檔中連續(xù)狀況等特性，提高XML文檔相似性估量準(zhǔn)確度及聚類質(zhì)量。 面向XML查詢緩存的頻繁XML查詢子樹(shù)離線挖掘技術(shù)研究分析XML查詢結(jié)構(gòu)的特點(diǎn)，提出了基于全局樹(shù)視圖的、自底向上的頻繁查詢子樹(shù)挖掘算法BUMiner和最大頻繁查詢子樹(shù)挖掘算法BIJMXMiner。通過(guò)構(gòu)建全局樹(shù)視圖，使得候選子樹(shù)的頻度計(jì)算可直接從全局樹(shù)視圖中獲得，而不再依賴于掃描XML文檔數(shù)據(jù)集。借鑒頻繁查詢子樹(shù)挖掘算法，給出了基于頻繁查詢子樹(shù)的XML查詢框架系統(tǒng)。

5、XML查詢系統(tǒng)中，為處理相似但不相同的XML查詢樹(shù)，介紹了四種XML查詢樹(shù)關(guān)系并給出了相似查詢重寫(xiě)過(guò)程。大量實(shí)驗(yàn)表明BUXMiner算法在性能上優(yōu)于原有查詢子樹(shù)挖掘算法；相比于傳統(tǒng)緩存技術(shù)LRU、MRU，應(yīng)用頻繁查詢的緩存技術(shù)可獲得更好的XML查詢效率· >基于滑動(dòng)窗口的頻繁XML查詢子樹(shù)在線挖掘技術(shù)研究通過(guò)引入滑動(dòng)窗口模型，提出了面向XML查詢數(shù)據(jù)流的頻繁查詢子樹(shù)在線挖掘算法。算法以全局Trie樹(shù)為數(shù)據(jù)緩存結(jié)構(gòu)管理和維護(hù)緩存池的數(shù)據(jù)流

6、，采用自下而上、基于前綴等價(jià)類的遍歷方式快速產(chǎn)生所有帶根查詢子樹(shù)和標(biāo)準(zhǔn)查詢子樹(shù)。實(shí)驗(yàn)結(jié)果表明該算法具有挖掘速度快、內(nèi)存消耗穩(wěn)定等特點(diǎn)，可以有效、平穩(wěn)地處理XML查詢數(shù)據(jù)流。 基于雙位圖B-DOM結(jié)構(gòu)的XML文檔歷史版本變化結(jié)構(gòu)挖掘技術(shù)研究在研究XML動(dòng)態(tài)數(shù)據(jù)挖掘問(wèn)題及XML版本變化結(jié)構(gòu)挖掘框架的基礎(chǔ)上，提出了動(dòng)態(tài)變化結(jié)構(gòu)挖掘算法DXSM，用于有效提取頻繁變化結(jié)構(gòu)及基于此的頻繁插入變化結(jié)構(gòu)和頻繁刪除變化結(jié)構(gòu)。通過(guò)構(gòu)建存儲(chǔ)、管理數(shù)