面向信息检索的XML文档节点语义研究.pdfVIP

要 可扩展标记语言XML 已经成为数据交换的重要格式，并且广泛应用在数字 图书馆、科学数据库以及互联网等领域。随着XML 文档的广泛应用，对于XML 文档检索的研究已逐渐成为信息检索领域的一个重要研究方向。目前对于 XML 信息检索的研究已经取得了一定的成果，但是排序的精确度不高。对XML 检索 结果的排序直接关系到XML 信息检索的性能，但现有的XML 检索结果排序模 型考虑了词项在XML 文档中出现的统计特性，但没考虑词项所在的位置，即视 XML 文档中各节点具有同等的重要性。然而，节点在整个 XML 文档中的角色 不同，因此，相同内容出现在不同节点中，应该具有不同的权重，即不同的节点 具有不同的语义权重。 本文提出了一种基于向量空间模型的XML 节点语义权重自动获取方法，该 方法主要是通过对节点与文档的相似性计算来获取节点的语义权重。实验数据选 择Wiki 部分数据集，专家对各节点语义权重的手工标注结果与该模型自动标注 结果的 Pearson 相关系数达到 0.827，说明该节点语义标注模型能够较好地分析 节点在XML 文档中的重要性，有利于改善排序效果。 另外，还进行了SVD 实验，在实验中根据奇异值分解重新 成了新的语义 权重，通过比较我们发现经过 SVD 后的权重模型与专家标注的Pearson 相关系 数高达0.928，这说明分解后的效果更好。 关键词： XML 节点 节点语义权重 向量空间模型 1 Abstract XML has become an important format for exchange data. XML standard has been used in digital library, science database and Internet widely. The research on retrieval of XML documents has developed into an important aspect with the application of XML documents. Now there are a lot of achievements about XML Information Retrieval，but precision is not high. Ranking of XML search results directly relates to the performance of XML information retrieval. Most of the existing ranking models of XML search results consider words statistical characteristics in the XML document, but they do not consider the position of word. That is to say, all of nodes in XML document have the equal importance. However, each node plays different role in the entire XML document. So, the same content in different node should have different weight. That means different nodes should have different node semantic weight. In this paper, we present a VSM based method for XML node semantic weight. It is scaled by the similarity between the node and the whole document. Experiment dat