基于語義的XML模式提取方法的研究.pdf

1、XML(eXtensible Markup Language)已經(jīng)成為數(shù)據(jù)表示和數(shù)據(jù)交換的標(biāo)準(zhǔn)，使用在各種各樣的應(yīng)用中。XML模式是XML數(shù)據(jù)交換、高效數(shù)據(jù)查詢的基礎(chǔ)，因此XML模式對于XML數(shù)據(jù)管理至關(guān)重要。但大部分的XML文檔缺少XML模式信息，從XML數(shù)據(jù)中自動化的提取出XML數(shù)據(jù)的模式信息是XML數(shù)據(jù)管理的重要任務(wù)。傳統(tǒng)的XML模式提取技術(shù)是對XML文檔的結(jié)構(gòu)進(jìn)行提取，沒有考慮XML文檔中標(biāo)簽的語義信息，然而不同的XML文檔的編

2、寫者使用的不同的標(biāo)簽描述信息，從而導(dǎo)致提取出的XML模式冗余和錯(cuò)誤。因?yàn)?，充分利用XML數(shù)據(jù)的語義信息，產(chǎn)生緊湊正確的XML模式是一個(gè)亟待解決的問題。
　　本文提出了基于語義的XML模式提取方法。使用XML文檔進(jìn)行聚類，把相似度高的文檔聚類在相同的簇內(nèi)。分析簇內(nèi)的XML數(shù)據(jù)，根據(jù)元素標(biāo)簽的語義信息和上下文環(huán)境，把元素劃分為不同的元素類型。使用XML模式提取算法提取出每個(gè)元素類型的模式，最終提取出XML模式?；谡Z義的XML模式提取

3、方法分成三部分:
　　首先，對XML文檔進(jìn)行聚類，不同類型的XML文檔被不同的XML模式描述，因此使用聚類技術(shù)把具有相似模式的XML文檔聚集在一起，本文根據(jù)XML文檔的標(biāo)簽名稱和結(jié)構(gòu)特點(diǎn)對XML文檔進(jìn)行聚類。
　　其次，根據(jù)元素類型對XML元素進(jìn)行劃分。在聚類的簇內(nèi)部，分析XML元素，根據(jù)元素標(biāo)簽的語義信息以及元素的上下文信息，把具有元素類型（即具有相同的模式）的元素劃分在一起。把具有相同元素類型的元素標(biāo)簽名稱以等價(jià)關(guān)系的形