XML文檔相似度計(jì)算方法研究與應(yīng)用.pdf

1、由于XML文檔越來越廣泛的應(yīng)用，在數(shù)據(jù)挖掘、信息檢索領(lǐng)域，對XML文檔相似度及其檢索的研究也變得尤為重要。
　　 問題可描述如下：對于給定的XML文檔集D和用戶查詢q，XML文檔檢索即是從D中查找出符合q的XML文檔，如果我們可以將用戶的查詢表示為一個(gè)XML文檔，那么用戶查詢與XML文檔之間的比較就可以通過XML文檔之間的相似度表示。為了有效的進(jìn)行檢索，本文提出了一種新的計(jì)算XML文檔之間相似度的算法。該算法分為三步：首先，基于

2、WordNet對用戶查詢q進(jìn)行同義詞擴(kuò)展得到q＇；然后，將q＇和D中的每一篇XML文檔通過布隆過濾器進(jìn)行數(shù)字簽名，并通過簽名之間的匹配對D進(jìn)行有效過濾，除去大量不符合用戶查詢的文檔，得到一個(gè)文檔子集D＇，其中D＇(≦)D;最后，對q與D＇中的文檔通過計(jì)算XML文檔之間的相似度方法XMLSim得到用戶查詢與XML文檔之間的相似度，以此作為XML文檔檢索的依據(jù)。
　　 XML文檔之間的比較是通過它們之間的路徑集合之間的相似度進(jìn)行的，

3、首先計(jì)算路徑之間相似度，XML文檔之間的相似度最后通過路徑集合之間的最大相似度的平均值得到。
　　 基于以上方法提出了一個(gè)XML文檔檢索的原型系統(tǒng)。該檢索原型系統(tǒng)的檢索性能用MRR(Mean Reciprocal Rank)和P@N兩個(gè)指標(biāo)來評價(jià)。MRR值是20個(gè)查詢Reciprocal Rank的平均值，其結(jié)果0.95，接近于1，表明系統(tǒng)的檢索性能良好；P@N反映原型檢索系統(tǒng)前N個(gè)文檔的平均查準(zhǔn)率，P@1的值為1，說明返回的結(jié)