概率XML文檔的查詢研究.pdf

1、隨著數(shù)據(jù)采集和處理技術(shù)的不斷發(fā)展和進步，使得人們對不確定性數(shù)據(jù)的認識逐步加深，對不確定性的概率數(shù)據(jù)的研究也獲得了廣大科研工作者的更加廣泛的關(guān)注。XML是由W3C所發(fā)布的一種標記語言。XML所具有的靈活特性非常適合描述、表示、存儲，不確定性數(shù)據(jù)，利用XML表示不確定性數(shù)據(jù)正越來越多的應(yīng)用于各個不同的領(lǐng)域中，進而導致概率XML文檔的數(shù)量呈現(xiàn)出急劇增長的態(tài)勢。使用傳統(tǒng)的XML聚類和查詢技術(shù)處理海量概率XML文檔所造成的時空消耗令人無法接受。盡

2、管針對不確定XML聚類和查詢的技術(shù)的研究已經(jīng)有很多，但仍有一些方面需要進行改進和完善。
　　針對概率XML文檔的查詢研究，本文深入研究了當前已提出的方案，分析了其中存在的問題，并對這些問題提出了針對性的改進策略。本文所做的工作有:
　　第一，直接聚類XML文檔精度較高但存在時空消耗大等缺點，利用聚類DTD文檔的時空消耗較小的優(yōu)勢，提出了基于DTD的XML文檔聚類方法WSDTD。DTD文檔可以從一定程度上反應(yīng)出XML文檔的內(nèi)容

3、和結(jié)構(gòu)，通過聚類XML文檔對應(yīng)的DTD間接聚類XML文檔。定義DTD文檔對應(yīng)的樹形結(jié)構(gòu)的結(jié)構(gòu)相似度和語義相似度，用K-Means聚類算法對DTD文檔樹進行聚類，達到對XML文檔聚類的目的，從而有效地縮小了查詢范圍，為海量XML文檔查詢奠定基礎(chǔ)。
　　第二，針對概率XML文檔的特點，本文設(shè)計了概率XML文檔的查詢算法pTwigList。在TwigList算法的基礎(chǔ)上，加入了Top-K關(guān)鍵字查詢思想，進行了三次閾值過濾，對存在概率較低

4、或非法的查詢結(jié)果予以舍棄，形成了pTwigList算法。并輔以改進的區(qū)域編碼，這樣就能達到查詢概率XML文檔的目的。
　　第三，通過仿真實驗驗證本文所提出WSDTD和pTwigList的有效性。實驗采取了查詢時間來衡量查詢效率。仿真實驗分成兩個部分，第一部分用來驗證先使用WSDTD算法聚類，后使用pTwigList進行查詢的時間消耗小于直接對海量XML文檔進行pTwigList查詢。第二部分用來驗證pTwigList算法在不同的測