基于實體的XML關(guān)鍵字搜索問題研究.pdf

1、XML(eXtensible Markup Language)即可擴展標記語言,是W3C定義的一套語義標記規(guī)范。隨著網(wǎng)絡應用的快速發(fā)展,Web上的數(shù)據(jù)成指數(shù)級增長,XML逐漸成為Internet上數(shù)據(jù)交換和描述信息的標準格式,廣泛應用于數(shù)字圖書館、數(shù)據(jù)集成、Web服務等領(lǐng)域,這使得XML類型數(shù)據(jù)成為網(wǎng)絡上主流數(shù)據(jù)形式,從XML數(shù)據(jù)中提取有用信息成為了當前研究的重要方向。
　　相較于XML結(jié)構(gòu)化查詢,XML關(guān)鍵字查詢成為XML數(shù)據(jù)檢

2、索的重要分支。XML關(guān)鍵字搜索方法都是以LCA(Lowest Common Ancestor)為基礎(chǔ)形成的。為了提高搜索質(zhì)量和效率,研究人員又提出了許多查詢語義,包括SLCA(SmallestLCA),MLCA(Meaningful LCA)、VLCA(Valuable LCA)等。這些查詢語義及實現(xiàn)算法在實際應用中可能存在一些問題,如返回無意義結(jié)果、丟失有意義信息等。
　　本文考慮到一個XML文檔可以看作現(xiàn)實世界中實體、屬性、值

3、構(gòu)成的集合,這與關(guān)系數(shù)據(jù)庫中ER模型相似。XML文檔中不同元素代表不同信息類型,將XML文檔元素進行分類,以實體作為基本查詢單元來定義XML關(guān)鍵字搜索的查詢語義,提出了最低公共實體祖先LCEA的概念,一個LCEA結(jié)點是描述現(xiàn)實世界完整信息單元的實體對象。在LCEA的基礎(chǔ)上,提出了最小的最低公共實體祖先SLCEA(Small Lowest Common Entity Ancestor),為用戶提供了簡單易用搜索方法,解決了返回結(jié)果不完全和

4、返回結(jié)果無意義的問題。
　　在實體概念的基礎(chǔ)上,根據(jù)元素之間關(guān)系改進了XML關(guān)鍵字搜索方法,使之不僅支持明確查詢,而且支持XML關(guān)鍵字模糊查詢和高級搜索。首先根據(jù)不同實體對查詢關(guān)鍵字進行分區(qū),然后過濾實體分區(qū)倒排表,最后采用ILE算法計算最小最低共同實體祖先。在輸出結(jié)果時,根據(jù)SLCEA不同情況分別推斷出不同的輸出信息。對于模糊查詢處理,本文的方法能夠識別和排序不同的搜索意圖,并分別返回每個搜索意圖的結(jié)果。最后實驗驗證了本文方法在