基于Xcluster的XML数据库模糊查询方法.pdfVIP

基于Xcluster 的XML 数据库模糊查询方法 李建军，杨路明，刘波，胡智飞 中南大学信息科学与工程学院 长沙 (410083) E-mail ：l-tb@163.com 摘 要：为了减少在Web 上进行精确的XML 检索代价，提出查询表达式松弛策略并定义信 息损率计算公式。在此基础上给出基于Xcluster 的XML 模糊查询小枝TFIDF 评分方法并实 现其算法。实验结果表明该方法的有效性并具有常数查全率和较高的查准率。 关键词：松弛查询，小枝匹配，TFIDF 中图分类号：TP301 文献识别码:A 1. 引言 随着XML 成为Web 电子数据交换的标准逐渐被推广，越来越多的应用需要在Web 上 检索XML 数据。然而在互联网上实现XML 精确检索代价非常昂贵。因此很多学者都提出 XML 模糊查询。文献[1]运用一组代数规则对Xpath 轴进行松弛并用TFIDF 评分公式给查询 表达式评分，力图在保留所有谓词的基础上实现XML 模糊查询。此方法能保证最低的信息 损失，但是只针对查询轴的松弛导致查询嵌套深度的急剧增加，从而制约查询响应速度。文 献[2] 的XIRQ 引入概率机制单独为每条文档边评分然后将它们合并以计算整个查询评分。关 键词评分用一条在查询中与关键词相连的路径表达式来表示，而非传统的基于文档的评分机 制，同时概率机制只能用在XML 概率数据库上。相应的JuruXML[3] 以用户提交Xpath 路径 表达式格式化的机制修改向量空间评分。优点是代数模型简单，操作性强，然而基于路径表 达式格式化所提供的Xpath 语义松弛非常有限，不能应对查询多样性的需求。文献[4]根据关 键词和Xpath 查询轴对已有的评分方法进行分类，通过研究作者说明现有的IR-CADG 在索 引机制上不能很好的支持既包含结构又包含内容的XML 评分。文献[5] [4] 在文献 的基础上区 别对待查询树中的叶结点和路径结点，将路径作为模板，而叶结点则归为关键词，运用现有 的模糊检索技术分别实施结构与内容的模糊。其优点是技术成熟、响应速度快.但是拆分逻 辑结构完整的查询树将导致查询内容与结构的不匹配，查准率不高。基于以上的研究基础及 文献[5]提供的松弛概念，本文结合Xcluster 存储技术和经重新定义过的TFIDF 方法，引入损 率的概念求取侯选松弛集，最后通过小枝 TFIDF 评分计算每个侯选松弛的评分并以此作为 最终结果排序的依据。 2. 查询松弛原理 为了介绍查询松弛的概念我们先来分析一个示例 本课题得到湖南省教育厅科研基金（05C671 ）的资助。 - 1 - 显然图2 中的不同查询匹配图1 中的不同文档，例如：图2 查询（a ）精确匹配图1 文 档（a ），但不匹配（b ）、（c ）;查询（b ）由查询（a ）经边松弛得到，它也是文档（a ）的匹 配；查询（c ）由查询（b ）经子树松弛得到，它既是文档（a ）又是文档（b ）的匹配；对查 询（a ）多次执行叶结点删除松弛便得到查询（d ）、（f ）,它们匹配图 1 中所有的文档。相应 的，查询（e ）在图1 中则没有匹配文档。为了表达上述思想，本文先介绍松弛的几个基本 原则并根据这些基本原则给出松弛的形式化定义。 2 ．1 查询松弛的几个基本原则 （1）松弛响应必须覆盖源查询的全部响应 （2 ）松弛与源查询的相关性不应该与获取此松弛本身所执行操作的顺序有关，而只能与 其最终的形式有关 （3 ）所设计的评分公式既要能反映不同松弛结构与源查询结构的相关程度，更要能体现 所得松弛相对于信息本身特征的绝对损失 （4 ）有效的支持模式匹配查询机制 2 ．2 基本概念 定义 1 针对ＸＭＬ数据的路径查询可以表示为一棵小枝查询树 Q