面向檢索和分類的XML數(shù)據(jù)管理技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)應(yīng)用的高速發(fā)展，Web服務(wù)技術(shù)逐漸成熟，網(wǎng)絡(luò)上出現(xiàn)了大量用可擴展標記語言(eXtensible Markup Language，XML)表示的半結(jié)構(gòu)化數(shù)據(jù)。XML作為一種數(shù)據(jù)存儲和交換格式，在互聯(lián)網(wǎng)絡(luò)環(huán)境中扮演著極其重要的角色，它已經(jīng)成為數(shù)據(jù)交換事實上的標準，在電子商務(wù)、電子政務(wù)、金融及各個方面得到越來越廣泛和深入的應(yīng)用。但是，隨著網(wǎng)絡(luò)需求的日益增大，面對海量的XML數(shù)據(jù)，如何從這些數(shù)據(jù)中查詢到需要的信息，如何從這些繁雜的XM

2、L數(shù)據(jù)中挖掘出有價值的、潛在的關(guān)聯(lián)關(guān)系，以及如何對這些海量的XML數(shù)據(jù)進行分類或聚類，都是目前人們在網(wǎng)絡(luò)環(huán)境中經(jīng)常遇到并亟待解決的問題。因此，面向檢索和分類的XML數(shù)據(jù)管理成為人們目前研究的熱點問題。
　　XML是萬維網(wǎng)聯(lián)盟于1998年2月正式發(fā)布的一種描述數(shù)據(jù)結(jié)構(gòu)的可擴展標記語言，由于它具有良好的可擴展性、自我描述性及平臺無關(guān)性的特點，使得其在互聯(lián)網(wǎng)應(yīng)用中日趨增多，XML的廣泛應(yīng)用使得高效的XML數(shù)據(jù)管理成為一種迫切需求。近幾年

3、來，針對XML的研究日益增多，其研究領(lǐng)域涉及到方方面面:從基礎(chǔ)性的XML數(shù)據(jù)編碼到XML關(guān)鍵字查詢，從XML數(shù)據(jù)存儲到XML文檔分類，從XML分布式處理到XML訪問控制，從物理存儲到安全傳輸，從高效查詢到文檔聚類，涉及的內(nèi)容種類繁多且日趨復(fù)雜。本文主要從數(shù)據(jù)管理者最關(guān)心的數(shù)據(jù)檢索和分類角度出發(fā)，重點從XML編碼、XML查詢、與分類相關(guān)的XML特征表示及相似度檢測這幾個方面進行了研究，主要內(nèi)容及創(chuàng)新點如下:
　　(1)針對XML文檔

4、的結(jié)構(gòu)特殊性，提出了一種環(huán)形結(jié)構(gòu)的XML編碼方案。該方案采用環(huán)形結(jié)構(gòu)組織兄弟節(jié)點，可以實現(xiàn)編碼的動態(tài)更新。為了測試其性能，采用靜態(tài)編碼分析及實例測試法，和另外幾種編碼方案在空間大小及動態(tài)更新方面進行了比較。實驗結(jié)果表明，這種環(huán)形結(jié)構(gòu)的編碼方案有效地改善了已有XML編碼方案標注代價高和更新效率低的問題。
　　(2)當含有敏感信息的XML文檔在網(wǎng)上傳輸或交換時，用戶需要執(zhí)行受限查詢。針對受限查詢的情況，設(shè)計了一種關(guān)鍵字安全查詢算法。以

5、帶有訪問權(quán)限的實例信息樹為主體，首先優(yōu)先抽取主干信息策略，然后再反向作用于實例信息樹存儲特殊節(jié)點的壓縮方法，同時采用了擴展的前綴編碼方案，為安全查詢提供方便。實驗結(jié)果表明，在查詢的關(guān)鍵字數(shù)量較少、關(guān)鍵字出現(xiàn)頻率較高時，這種基于壓縮策略的安全查詢方式與未壓縮策略前的相比，最高省時66％，最低省時10％，有效地提高了查詢效率。
　　(3)面對網(wǎng)上海量的半結(jié)構(gòu)化數(shù)據(jù)，針對各種XML文檔有效且精確分類的焦點問題，在主成分分析(Princi

6、pal Component Analysis，PCA)理論分析的基礎(chǔ)上，提出了一種新的基于邊集和全路徑的特征表示方法。為了減少向量空間維數(shù)，采用PCA降維技術(shù)，使得向量空間維數(shù)由初始的幾百維最終降到了10維以內(nèi)。基于上述特征表示及降維技術(shù)基礎(chǔ)上，采用K最近鄰分類器完成了XML文檔自動有效分類。
　　(4)為了完成有監(jiān)督學(xué)習(xí)的XML文檔分類，提出了一種基于矩陣存儲的XML相似度檢測算法，該算法首先對XML文檔提取主干結(jié)構(gòu)，然后對其矩