基于拓?fù)淦ヅ渥訕浞椒ǖ腦ML結(jié)構(gòu)相似性度量方法研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的不斷深入發(fā)展，信息技術(shù)在社會(huì)各領(lǐng)域中不斷普及應(yīng)用，許多傳統(tǒng)、經(jīng)典的信息技術(shù)科學(xué)方法在新領(lǐng)域中的應(yīng)用遇到了新的問(wèn)題與挑戰(zhàn)。傳統(tǒng)的HTML語(yǔ)言在數(shù)據(jù)表示、交換方面已不能適應(yīng)日益增長(zhǎng)的網(wǎng)絡(luò)規(guī)模。這時(shí)，具有良好交互性、擴(kuò)展性、易讀性的XML語(yǔ)言應(yīng)運(yùn)而生，被廣泛用于不同平臺(tái)間的數(shù)據(jù)交互并作為最重要的網(wǎng)絡(luò)存儲(chǔ)數(shù)據(jù)的形式之一。近些年基于XML文檔的應(yīng)用大量涌現(xiàn)，這些應(yīng)用大多會(huì)涉及到XML文檔相似性計(jì)算。XML文檔相似性計(jì)算已成為了數(shù)據(jù)

2、庫(kù)和信息檢索的核心內(nèi)容，是信息技術(shù)應(yīng)用中所要解決的基本問(wèn)題之一。雖然近些年國(guó)內(nèi)外提出了很多比較XML相似度的算法，例如基于編輯距離的方法，基于信息檢索的方法以及其他方法如路徑匹配法等，但是這些方法在準(zhǔn)確率和性能方面都有各自的不足之處，并且面對(duì)當(dāng)前網(wǎng)絡(luò)中的大規(guī)模XML數(shù)據(jù)時(shí)，現(xiàn)有方法并不能很好的處理。
　　 本文針對(duì)以上問(wèn)題，提出了一種基于拓?fù)淦ヅ渥訕浞椒ǖ腦ML結(jié)構(gòu)相似性的度量方法，方法充分考慮了XML樹的節(jié)點(diǎn)權(quán)重、路徑權(quán)重以及

3、XML樹的結(jié)構(gòu)信息度，定義了拓?fù)渥訕?、拓?fù)淦ヅ錁浜屯負(fù)淦ヅ涠鹊母拍?，?dāng)比較XML模式樹與數(shù)據(jù)樹的結(jié)構(gòu)相似度時(shí)，迭代的生成模式樹的所有拓?fù)渥訕?，通過(guò)查找拓?fù)渥訕湓跀?shù)據(jù)樹中相應(yīng)的拓?fù)淦ヅ錁洳⒈容^它們的拓?fù)淦ヅ涠?，進(jìn)而得到模式樹與數(shù)據(jù)樹的結(jié)構(gòu)相似度。算法的時(shí)間復(fù)雜度為O(N2)，有著較好的運(yùn)行效率。針對(duì)如何能有效的管理大規(guī)模XML文件，本文提出了一種基于Hadoop平臺(tái)的XML結(jié)構(gòu)相似性計(jì)算系統(tǒng)，該系統(tǒng)使用上文中提到的基于拓?fù)淦ヅ渥訕浞椒ǖ腦