基于聚類的XML文檔集成管理方法研究.pdf

1、XML作為Internet上信息表示和交換的一個(gè)標(biāo)準(zhǔn)，如何在關(guān)系數(shù)據(jù)庫(kù)中有效地存儲(chǔ)和查詢這些數(shù)據(jù)已成為XML研究領(lǐng)域的一個(gè)重要問(wèn)題。目前幾乎所有的商業(yè)數(shù)據(jù)庫(kù)產(chǎn)品(如三大商業(yè)RDBMS產(chǎn)品SQL Server，Oracle及DB2)都進(jìn)行了擴(kuò)充，支持對(duì)XML的存儲(chǔ)、查詢和發(fā)布。通常，RDBMS提供的XML數(shù)據(jù)存儲(chǔ)功能有：將XML文檔的內(nèi)容或數(shù)據(jù)存儲(chǔ)于數(shù)據(jù)庫(kù)中；或以文本文件的形式對(duì)XML文檔進(jìn)行存儲(chǔ)，并在數(shù)據(jù)庫(kù)中保留對(duì)相應(yīng)文件的索引或鏈接。

2、然而隨著XML應(yīng)用的不斷擴(kuò)展，XML數(shù)據(jù)的大量出現(xiàn)，由于XML數(shù)據(jù)可能來(lái)自各個(gè)不同的數(shù)據(jù)源，它們所遵循的文檔模式(DTD或XML Schema)可能不同，文檔之間存在一定的異構(gòu)性，如果采用目前的RDBMS存儲(chǔ)這些XML數(shù)據(jù)，則存在一定的局限性，即無(wú)法實(shí)現(xiàn)來(lái)自不同DTD的多個(gè)XML文檔的有效集成存儲(chǔ)。 本文研究來(lái)自不同DTD的多個(gè)XML文檔的集成存儲(chǔ)問(wèn)題。主要工作包括： 1、提出了一種有效的XML文檔頻繁子樹(shù)挖掘方法，具體

3、做法是：首先對(duì)XML文檔進(jìn)行預(yù)處理，提取XML文檔的有效結(jié)構(gòu)SST(Simplest Structural Tree最簡(jiǎn)結(jié)構(gòu)樹(shù))；然后提出SSTMiner算法，用于挖掘SST中的所有嵌入頻繁子樹(shù)。SSTMiner算法不但繼承了TreeMiner算法的優(yōu)點(diǎn)，而且針對(duì)TreeMiner算法存在的瓶頸問(wèn)題，以及結(jié)合當(dāng)前所處理的SST的結(jié)構(gòu)特點(diǎn)，對(duì)TreeMiner算法進(jìn)行改進(jìn)，提高了算法執(zhí)行的效率；實(shí)驗(yàn)結(jié)果表明了該方法的有效性。 2、

4、研究基于頻繁結(jié)構(gòu)的XML文檔聚類方法，其頻繁結(jié)構(gòu)包括頻繁路徑和頻繁子樹(shù)，具體做法是：首先對(duì)XML文檔進(jìn)行頻繁結(jié)構(gòu)挖掘，獲取最大頻繁結(jié)構(gòu)集，由于SSTMiner算法是一種非常有效的頻繁子樹(shù)挖掘算法，對(duì)SSTMiner算法稍加修改，即可得到FrePathMiner算法和FreTreeMiner算法，分別用于挖掘XML文檔中最大頻繁路徑和最大頻繁子樹(shù)；然后提出一種凝聚的層次聚類算法XMLCluster，分別以最大頻繁路徑和最大頻繁子樹(shù)作為XM

5、L文檔的特征，對(duì)文檔進(jìn)行聚類；實(shí)驗(yàn)表明本文提出的FrePathMiner和FreTreeMiner聚類方法，與傳統(tǒng)的ASPMiner聚類方法相比，其聚類效果具有更大的優(yōu)越性。 3、提出了一種XML文檔集成存儲(chǔ)方法，即在聚類的基礎(chǔ)上，對(duì)XML文檔進(jìn)行集成存儲(chǔ)，集成存儲(chǔ)過(guò)程分為兩個(gè)階段進(jìn)行：第一階段為模式映射階段(Schema Mapping)，生成集成模式；第二階段為數(shù)據(jù)存儲(chǔ)階段(XML Storage)，從XML文檔中抽取數(shù)據(jù)存