基于擴展邊集比較法的XML文檔結構及語義相似性計算研究.pdf

1、由于有著標準化、簡潔、結構嚴謹和可高度擴展等優(yōu)點，可擴展標記語言XML在飛速發(fā)展的互聯(lián)網(wǎng)中逐漸成為網(wǎng)絡數(shù)據(jù)表示和交換的標準格式?，F(xiàn)今網(wǎng)絡上出現(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，有些則分散在各個站點、服務器上。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，已經(jīng)成了數(shù)據(jù)庫、信息檢索和數(shù)據(jù)挖掘等領域的研究熱點。XML文檔的相似性計算是其中的一個熱點，得到了國內(nèi)外眾多學者的廣泛研究。通過檢測XML文

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

3、并取得了很大的研究成果。然而，在時間效率和精度等方面并沒有做到最好，還有一些可以改進的空間。
　　 本文提出了一種擴展邊集比較法來計算XML文檔之間的相似性。此方法不僅生成父子節(jié)點之間的普通邊，還生成祖先和子孫節(jié)點之間的拓撲邊，給不同層和類型的邊賦予不同的權值。并且定義了完全匹配，拓撲匹配和重復匹配三種匹配方式。在邊集匹配過程中，算法可以檢測出兩條邊之間是屬于哪種匹配，并對每種匹配賦予不同的權值，以更合理地計算相似性。擴展邊集比