基于属性高频字的深网数据库重叠率估计.pdf

第35 卷 第13 期 计 算 机 工 程 2009 年7 月 Vol.35 No.13 Computer Engineering July 2009 ·软件技术与数据库· 文章编号：1000—3428(2009)13—0028—03 文献标识码：A 中图分类号：TP311 基于属性高频字的深网数据库重叠率估计 苗忠义，赵朋朋，胡鹏昱，崔志明 (苏州大学智能信息处理及应用研究所，苏州 215021) 摘 要：在同一领域中，不同 Web 数据库之间有重叠部分，为估计重叠部分在 Web 数据库中所占比例，提出一种基于属性高频字的重叠 率估计方法。以中文高频字作为起点，迭代诱导属性高频字。通过属性高频字的查询结果计算重叠部分出现的条件概率，进而估计重叠率。 实验证明，该方法的偏差度和波动度都小于 5 。 关键词：重叠率；深网；数据库；估计 Estimation for Overlapping Rate of Deep Web Databases Based on Attribute High-frequency Words MIAO Zhong-yi, ZHAO Peng-peng, HU Peng-yu, CUI Zhi-ming (Institute of Intelligent Information Processing and Application, Suzhou University, Suzhou 215021) 【Abstract 】In the same domain, different Web databases have overlap with each other. In order to estimate the overlapping rate in Web database, this paper proposes an attribute high-frequency words based approach for estimating the overlapping rate of Deep Web database. Starting with the Chinese frequency words, the attribute frequency words can be induced iterative, and using its query results calculate the conditional probability of overlapping part, then estimate the overlapping rate. Experiments prove its bias and volatility are less than 5. 【Key words 】overlapping rate; Deep Web; database; estimation 1 概述 用|A |, |B |表示 2 个集合中元素的个数，那么|A ∩B |表示 网络上出现了越来越多可在线访问的数据库，人们可通 2 个集合交集的元素个数，现从 A , B 中随机抽样 n , n 个元 a b 过特定的查询接口与后台数据库进行动态交互，这类数据库 素构成 2 个抽样集合 A ’, B ’ ，若 A ’中恰有α 个元素属于 B , B ’ 称作 Web DataBase(WDB) ，这样的站点称作深网(Deep