XML文本文档检索技术研究.pdfVIP

要 XML 具有自描述性、可扩展性，既有内容也有结构信息，XML 文档常见于 Internet 上存在的网页、商业文本、数字图书馆等，XML 文档数量正呈指数级增长。 如何有效地解决异构的XML 文档集的检索已变得非常重要。 依据内容，XML 文档分为两类：以数据为中心（data-centric ） 以文档为中 心 （document-centric ）。以数据为中心的 XML 文档的检索一般采用数据库方式 （DB-style ）查询，如已成为 W3C 标准的XPath XQuery 查询语言；以文本信 息为中心的XML 文档多采用信息检索方式 （IR-style ）查询。 信息检索不同于数据库检索，它是一种非精确的、模糊的 部分的匹配过程。 XML 文档是异构的结构与文本内容结合的半结构化数据，针对XML 文档的信息 检索不是传统信息检索的简单延伸： 带结构信息的XML 文档检索返回XML 元 素结点 （片断），而传统的信息检索返回整个文档或网页；②传统的文档检索是关 键词检索，它没有结构信息，XML 检索不仅有内容约束，还要有结构约束，要求 关键词查询 结构查询相结合；③XML 检索要求统一的排序机制以适应模糊内容 结构（VCAS ）的检索；④XML 检索可以是元素粒度的检索，元素结点的权重 不同。 本文在研究XML 文本文档检索特性的基础上，分析了VCAS 检索的影响因素； 充分利用预设答案结点的逻辑意义完整性，结合模糊抽取的查询表达式，确定检 索的最佳查找粒度；设计了VCAS 检索的结果相关性排序模型，以及满足这种排 序模型的索引结构，并在VC 环境下实现；在此基础上，进一步根据用户对查询结 构的自信程度设计了可配置查询参数的检索结果相关性排序模型。 具体而言： (1) XML 文本文档的半结构化特性，为XML 文档元素粒度的检索提供了可能。 提出了根据预设的答案结点和用户查询请求的结构，重新设置返回结点的新思想， 避免检索粒度过大 （浪费用户浏览结果时间）或过小 （逻辑意义不完整）的缺陷。 (2) 排序模型扩展了经典的向量空间检索模型，结合XML 文档特点，考虑了 文档权重、结点权重及返回结点文本大小的影响。一篇文档被引用得越多，说明 其越重要；XML 文档中的结点不仅反映出文档的层次结构关系，还存在有一定的 语义，因此不同的结点应该语义权重不同，同时结点的引用及包含关系也反映出 结点的引用权重的不同；返回结点的文本越小，用户浏览检索结果的时间越短， 越受用户欢迎。 (3) 对于XML 检索，结构的使用可增加查准率，但若用户对结构不熟悉，过 1 多依赖结构信息的检索又将会导致查全率的大大降低。根据用户的查询请求中对 结构路径的自信程度，提出了自信结构查询和模糊结构查询的新思想，并设计了 可配置权重的VCAS 检索排序模型。 (4) 分别给出了结构记分和关键词记分公式，并根据用户的查询请求中的权重 信息，设计了基于答案结点的可配置的XML 模糊内容 结构检索排序模型，并进 行了实验验证。 关键词：XML 检索 答案结点 权重 CAS 排序 2 Abstract XML is a self-describing and extensible language, which specifies the contents as well as the structure information. There has been an exponential increase in the amount of the XML documents in Web pages on Internet, commercial text repositories, digital library and so on, and naturally, efficient information retrieval from these great