[發(fā)明專利]基于語義相關(guān)的XML文檔關(guān)鍵字檢索排序方法

有效

• 申請?zhí)枺?/td>: 201110007177.0
• 申請日: 2011-01-13
• 公開（公告）號: CN102081660A
• 公開（公告）日: 2011-06-01
• 發(fā)明（設(shè)計）人: 陳群;王鵬;婁穎;崔海文;李霞;張立軍;李戰(zhàn)懷
• 申請（專利權(quán)）人: 西北工業(yè)大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 西北工業(yè)大學專利中心 61204
• 代理人: 顧潮琪

技術(shù)領(lǐng)域

本發(fā)明屬于可擴充標記語言(XML)關(guān)鍵字檢索技術(shù)領(lǐng)域，具體涉及一種XML文檔關(guān)鍵字檢索排序方法。

背景技術(shù)

作為一種互聯(lián)網(wǎng)上和企業(yè)應用中信息描述和信息交換的國際標準，XML(eXtensible?Markup?Language)具有語義標示、易擴展、開放性和互操作性等諸多優(yōu)點。隨著XML技術(shù)的推廣和XML數(shù)據(jù)的不斷增大，針對XML文檔的信息檢索技術(shù)已經(jīng)成為信息檢索和數(shù)據(jù)庫等相關(guān)領(lǐng)域的研究熱點。

傳統(tǒng)的信息檢索技術(shù)主要是針對文本文檔和HTML文檔。XML文檔區(qū)別于文本和HTML文檔的重要特征是其包含了豐富的語義和結(jié)構(gòu)信息，這些信息有助于判斷XML文檔與用戶信息需求之間的相關(guān)性。另一方面，與文本和HTML檢索不同，XML信息檢索要求返回的是以XML文檔中某個元素(Element)為根結(jié)點的片段，不必返回整個文檔，提高了檢索效率。與XML文檔查詢語言比如XQuery，XPath，XQL等相比，基于關(guān)鍵字的XML信息檢索技術(shù)的主要優(yōu)勢就是用戶不需要學習復雜的查詢語言，也不需要對XML文檔的結(jié)構(gòu)有深入的了解，用戶僅僅需要輸入相應的關(guān)鍵字即可。因此，基于關(guān)鍵字的XML信息檢索技術(shù)在現(xiàn)階段有著更多的需求和更好的應用前景。

目前，基于XML關(guān)鍵字檢索的方法大都是基于LCA(Lowest?Common?Ancestor)的思想(如V.Hristidis，N.Koudas，Y.Papakonstantinou，and?D.Srivastava.Keyword?Proximity?Search?inXML?Trees.In?IEEE?Trans.Knowl.Data?Eng.2006，18(4)；pages525-539.)，首先定位LCA結(jié)點(包含所有關(guān)鍵字)，然后再返回以該LCA結(jié)點為根結(jié)點的片段。文獻“L.Guo，F(xiàn).Shao，C.Botev，and?J.Shanmugasundaram.XRank：Ranked?keyword?search?over?xml?documents.In?SIGMOD，2003；pages?16-27.”中XRANK提出的ELCA(Exclusive?LCA)就是借助LCA的思想來解決關(guān)鍵字完全匹配問題。文獻“Y.Xu?and?Y.Papakonstantinou.Efficient?keyword?search?for?smallest?lcas?in?xml?databases.In?SIGMOD，2005，pages?527-538.”提出了SLCA(Smallest?Lowest?Common?Ancestor)，即最小最低公共祖先的概念，以SLCA為根節(jié)點的子樹被定義為包含所有關(guān)鍵字，并且任意一棵它的子樹都不包含所有關(guān)鍵字的子樹。文獻“Guoliang.Li，Jianhua?Feng，Jianyong?Wang?and?Lizhu?Zhou?Effective?keyword?search?for?valuable?LCAs??over?XMLdocument?in?CIKM?pages?30-41，2007.”提出了VLCA(Valuable?Lowest?Common?Ancestor)的概念，如果構(gòu)成LCA的關(guān)鍵字結(jié)點是同構(gòu)的，那么此LCA就是一個VLCA。文獻“Y.Xu?and?Y.Papakonstantinou.Efficient?LCA?based?Keyword?Search?in?XML?Data.In?EDBT，2008.”結(jié)合XRANK和SLCA給出了一種可以更有效地計算ELCA的算法-IS(Indexed?Stack)。雖然上述方法在LCA思想基礎(chǔ)上提出了各自判斷查詢結(jié)果的相關(guān)性的方法，但仍未能準確的反映出XML的結(jié)構(gòu)語義對查詢結(jié)果相關(guān)度的影響，效果并不理想。

例如圖1中顯示了XML文檔的樹形結(jié)構(gòu)，記錄了一個會議的名字、主席以及收錄的論文等信息。每個節(jié)點用其標簽標示，標簽上面的數(shù)字是它的Dewey編碼。如果用戶輸入查詢Q＝{chen，XML}則按照SLCA的思想，結(jié)果包含以節(jié)點0.0為根和以0.1.1為根和的子樹，而沒有以節(jié)點0.1為根的子樹。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)未能準確的反映出XML的結(jié)構(gòu)語義對查詢結(jié)果相關(guān)度的影響的不足，本發(fā)明提供一種基于語義相關(guān)的XML文檔關(guān)鍵字檢索排序方法，較好的解決了檢索目標與用戶信息需求的一致性問題，并確保了查詢結(jié)果的信息完整性。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案包含以下步驟：