XML数据实体同一性相关技术研究.pdf

国内图书分类号：TP311.13 学校代码：10213 国际图书分类号：68 密级：公开 工工工学学学博博博士士士学学学位位位论论论文文文 XML数据实体同一性相关技术的研究 博士 研 究生：刘显敏 导 师：李建中教授 申 请 学 位：工学博士 学 科 ：计算机软件与理论 所 在 单 位：计算机科学与技术学 院 答 辩 日 期：2013 年7 月 授予学位单位：哈尔滨工业大学 Classified Index: TP311.13 U.D.C: 68 Dissertation for the Doctoral Degree in Engineering RESEARCH ON THE TECHNIQUES OF ENTITY IDENTITY ON XML DATA Candidate: Liu Xianmin Supervisor: Prof. Li Jianzhong Academic Degree Applied for: Doctor of Engineering Specialty: Computer Software and Theory Aliation: School of Computer Science and Techonolgy Date of Defence: July, 2013 Degree-Conferring-Institution: Harbin Institute of Technology 摘 要 摘 要 近年来，劣质数据广泛出现于信息社会的各个领域，引发了很多问题并带 来了巨大损失。关注该 问题 的数据可用性研究在国内外已经展开。实体同一性 是数据可用性的重要维度之一。实体同一性基于数据库中存储的数据实体和现 实世界中的物理实体定义。一个数据实体描述 的是某个物理实体，是其在数据 库中的表示形式；一个数据库被称作是满足实体同一性要求的，当且仅当数据 库中没有任何两个数据实体描述 的是同一个物理实体。对数据实体同一性的研 究是当前数据处理领域的热点研究问题之一。针对关系数据的实体同一性研究 已经有很多工作，然而，其 中大部分的理论和方法并不适用于非关系数据，并 且很难扩展到非关系数据上。针对 非关系数据的实体同一性研究工作还很少， 尚处于起步阶段。 本文针对一类广泛使用的非关系数据，即XML 数据，以完善 XML 数据可 用性的管理技术为目标，从XML 实体抽取、XML 实体匹配 以及实体匹配 结果 消解等问题切入，重 点研究了XML 数据实体同一性相关 的技术。本文 的主要 工作可以概括如下： 首先，本文提出并研究了XML 数据上的实体抽取问题，提出了一种基于 规 则的实体自动抽取方法KEE。XML 数据中没有实体的 明显标识，且现有的 实体同一性研究工作并没有考虑 实体抽取问题，因此 实体抽取是XML 实体同 一性研究的基础之一。提出的 KEE 方法利用XML 查询描述 实体，为实体提供 了简洁的表 示方法，避免 了逐一表 示 XML 实体的不便；允许用户利用键规 则 只描述感兴趣的少量实体，并自动地为用户寻找感兴趣的其它实体；利用查询 松弛技术，克服了在异构数据上自动寻找相似实体时实体难以枚举、难以寻找 的困难；基于自动机技术，利用共享中间计算结果的思想，实现了高效 的 XML 数据实体抽取算法。从理论角度分析了KEE 方法的性能，并用实验验证 了该算 法能够有效且高效地解决实体抽取问题。