xml文档相似度计算方法分析与应用计算机应用技术专业论文.docxVIP

中文摘要摘要 中文摘要 摘要 由于XML文档越来越广泛的应用，在数据挖掘、信息检索领域，对XML文 档相似度及其检索的研究也变得尤为重要。 问题可描述如下：对于给定的XML文档集勿和用户查询g，XML文档检索即 是从刃中查找出符合口的XML文档，如果我们可以将用户的查询表示为一个XML 文档，那么用户查询与XML文档之间的比较就可以通过XML文档之间的相似度 表示。为了有效的进行检索，本文提出了一种新的计算XML文档之间相似度的 算法。该算法分为三步：首先，基于WordNet对用户查询口进行同义词扩展得 到q；然后，将g和刃中的每一篇XML文档通过布隆过滤器进行数字签名，并 通过签名之间的匹配对刃进行有效过滤，除去大量不符合用户查询的文档，得 到一个文档子集D’，其中D’cD：最后，对q与D 7中的文档通过计算XML文档 之间的相似度方法XgLSim得到用户查询与XML文档之间的相似度，以此作为XML 文档检索的依据。 XML文档之间的比较是通过它们之间的路径集合之间的相似度进行的，首先 计算路径之间相似度，XML文档之间的相似度最后通过路径集合之间的最大相似 度的平均值得到。 基于以上方法提出了一个XML文档检索的原型系统。该检索原型系统的检索 性能用MRR(Mean Reciprocal Rank)和P@N两个指标来评价。MRR值是20个 查询Reciprocal Rank的平均值，其结果0．95，接近于l，表明系统的检索性 能良好：P@N反映原型检索系统前N个文档的平均查准率，P@I的值为1，说明 返回的结果中第一个检索结果100％为相关文档，随着N值的增大，P@N值逐渐 下降，满足检索系统对于返回结果相关度逐步减小的要求。 本文的主要研究成果表现在三个方面，首先通过WordNet对用户的查询进行 语义扩展，其次，提出一个通过布隆过滤器进行文档过滤的解决思路，最后在 比较文档相似度的过程中，综合考虑了XML文档的结构信息、标签和内容的语 义信息。 关键词：XML结构相似度XML语义相似度XML文档检索布隆过滤器WordNet AbstractAbstract Abstract Abstract With more and more widely application of XML documents，the research of XML document similarity and information retrieval become particularly important in the data mining and information retrieval fields． The problem Call be described as following：given set of XML documents D and the user query q，XML retrieval is to find out the XML documents from the D which satisfies q．If the user query Can be described as a XML document，then the comparing between the user query and the XML documents can be represented as the similarity between XML documents．In order to search efficiently,a new approach is presented to calculate similarity between two XML documents．The approach is divided into three steps．Firstly,the user’s query q is expanded to q by including the synonyms of q based on WordNet．Then,q and each XML document in D are allocated to digital signatures by bloom filtering．After eliminating the irrelevant documents in D according to the signatures matching,a subset D’of D is got． Finally,similarly computing between q and D’is presented，which is basis of XML retrieval． In t