[發明專利]一種XML關鍵字查詢方法

有效

• 申請號: 201410284885.2
• 申請日: 2014-06-23
• 公開（公告）號: CN104166672B
• 公開（公告）日: 2017-11-17
• 發明（設計）人: 馮鈞;朱祖會;唐志賢;許瀟;杜丙帥;査顯月;王純;李宗祥;魏童童;朱躍龍;李士進;萬定生
• 申請（專利權）人: 河海大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 南京經緯專利商標代理有限公司32200
• 代理人: 朱小兵

技術領域

本發明涉及XML關鍵字查詢方法，屬于信息檢索領域。

背景技術

由于具備可擴展性、靈活性和自描述性，XML逐漸成為互聯網上數據定義，存儲以及交換的標準，因此如何對XML數據進行有效的存儲管理和檢索成為研究熱點。現有的XML查詢方法主要分為結構化查詢和關鍵字查詢兩種，前者需要用戶了解結構化查詢語言的語法機制以及XML文檔的模式信息，對普通用戶并不適用，而后者只需要用戶輸入簡單的查詢關鍵字即可對XML文檔進行檢索，成為XML檢索的主要手段。

目前關鍵字查詢方法主要分為兩類：不支持結果排序以及支持結果排序。其中不支持結果排序的方法主要以LCA(Lowest Common Ancestor)語義為基礎。LCA語義是返回所有關鍵字的最低公共祖先集合。SLCA(Smallest Lowest Common Ancestor)語義是對LCA語義進行的改進，認為結果節點為根的子樹中，關鍵字之間越緊密，對用戶越重要，故該語義去掉了LCA集合中是其他節點祖先的結果節點。此外，對LCA語義改進的語義還有MLCA、ELCA以及VLCA等。

支持結果排序的關鍵字查詢方法主要是基于Google的PageRank以及信息檢索中的TF/IDF這兩個思想進行擴展的，主要有XRANK和XReal等。XRANK是Connel大學的研究者提出的基于LCA語義的XML搜索引擎，指出XML關鍵字檢索與HTML關鍵字檢索的區別，借鑒了PageRank算法的思想提出了用于計算元素重要性的ElemRank算法，該算法計算元素ElemRank時，不僅考慮到了元素間的引用，還考慮了元素的父母以及孩子對該元素重要性的影響，即元素包含邊的正向傳播、反向傳播以及引用邊的影響。XReal把信息檢索中的TF/IDF(詞頻/逆文頻)的概念引入到XML數據庫檢索中，主張利用XML文檔中節點的TF/IDF相似度來對結果節點進行排序。作者將搜索用戶意圖轉換為尋找目標節點類型T，找到目標節點類型T后，對類型T的每個實例節點通過TF/IDF計算出與查詢的相關度，對那些相關度比較接近的節點，通過計算引用邊對元素的影響，進一步確定相關度。

這些語義大多都會存在返回結果語義不完整、返回很多無意義的結果、丟失有意義的結果或不支持結果排序等問題，導致查詢質量不高。

發明內容

本發明針對現有不足，提出一種XML關鍵字查詢方法。基于XML文檔中的節點分類，將包含所有查詢關鍵字的實體子孫去掉之后，仍然滿足查詢條件的實體節點定義為一個有意義的BLCEA(Beside Lowest Common Entity Ancestor)語義實體。該查詢語義使得用戶能夠得到語義完整的結果，同時在查準率和查全率方面比已有的經典查詢語義有明顯的優勢。本發明設計了一種結果排序方法，對BLCEA節點集合進行排序，保證在關鍵字模糊性存在時的檢索效率。

本發明為實現上述發明目的采用如下技術方案：

一種XML關鍵字查詢方法，包括如下步驟：

步驟1，確定XML文檔關鍵字序列的BLCEA節點集合，

所述BLCEA節點為實體節點，去掉BLCEA節點的子孫中包含所有查詢關鍵字的實體節點之后，剩余的子孫中仍然包含所有查詢關鍵字，

實體的定義是通過對XML文檔中的節點進行分類得到，XML文檔中的節點分類及定義如下：

值節點：在XML文檔中，是葉子節點的節點。

屬性節點：在XML文檔中，只有一個值節點作為孩子節點的那些節點。

實體節點：若XML文檔的模式信息可以獲得，即DTD或XML Schema存在，那么實體就是DTD中帶*號或者+號并且不是屬性結點的結點；否則分析XML文檔，若節點與其父節點存在一對多關系，則該節點為實體節點。

連接節點：在XML文檔中，若節點不是值節點、屬性節點或實體節點，那么它就是連接節點，連接節點的孩子是實體節點、屬性節點或者其他的連接節點：

步驟1-1，初始化BLCEA節點集合為空；

步驟1-2，獲得所有關鍵字匹配節點的有序LDewey編碼集合，所述LDewey編碼包括：關鍵字匹配節點所處層次信息level、關鍵字匹配節點的祖先節點在各自所處層次中的位置信息ancestor、關鍵字匹配節點在所處層次中的位置信息location，LDewey編碼結構如下：