一种面向海量小规模ＸＭＬ文档融合路径约束的ＸＭＬ检索方法技术

一种面向海量小规模ＸＭＬ文档融合路径约束的ＸＭＬ检索方法。包括：创新地以带有ＸＰａｔｈ形式路径约束的关键字作为用户提交查询的方式，使用户更加容易且准确地表达查询需求；提出一种新的融合路径约束的检索排序模型，该模型在传统向量空间模型基础上，充分利用ＸＭＬ文档的结构层次特性，巧妙地将Ｎ－Ｇｒａｍ思想应用于路径约束匹配计算，从而获得文档同用户查询的相关度，最终按照相关度对文档进行排序。本发明专利技术提出的ＸＭＬ文档检索方案，能够准确地表达用户的查询需求，且充分利用ＸＭＬ文档的路径约束来计算文档同用户查询的相关度，通过本发明专利技术方案可得到更加符合用户需求的检索结果。本发明专利技术可用于ＸＭＬ文档检索、ＸＭＬ数据库检索等领域。

【技术实现步骤摘要】
一种面向海量小规模XML文档融合路径约束的XML检索方法
本专利技术属于数据库
，具体涉及一种新型的融合路径约束，对海量小规模 XML文档进行检索的方案。
技术介绍
可扩展标记语言(extensible Markup Language，XML)凭借其自描述性、可扩展性 和半结构化等特点，已经成为最受欢迎的信息表示和数据交换的标准，并在各个领域得到 了广泛支持和应用。随着XML形式数据和信息大量涌现，如何从海量XML文档中获取用户 感兴趣的信息，成为人们广泛关注的问题之一。正是基于这种需求，信息检索这一传统的数 据管理和获取技术，开始涉足XML数据领域。由于使用简单、界面简洁，关键字检索方式在传统的信息检索领域取得了巨大成 功，近年来，XML文档的关键字检索也受到工业界和学术界的广泛关注。XML关键字检索不 同于结构化的XML查询(如XPath、XQuery等)，不仅易于使用，且用户不再需要了解所查 询XML文档的DTD或Schema模式，也不需要学习和掌握复杂的查询语言等相关知识，适用 于互联网中大量存在的小规模自由XML文档。但是，XML关键字检索方式并没有充分考虑 XML文档半结构化检索的特性，且用户单凭关键字的简单组合难以或无法准确表达自己的 查询需求。因此，如何帮助用户更准确地表达自己的查询需求，成为了 XML信息检索领域研 究难题之一。当用户提交查询需求后，搜索引擎将在海量文档集中检索出可能与用户需求相关 的文档，并将这些文档按照其同用户需求的相关性进行排序，最后返回给用户。在传统的信 息检索中，通常使用向量空间模型(Vector Space Model，VSM)来衡量文档同用户查询的相 关性。向量空间模型是将文档和查询都表示成由标引词权重构成的向量，利用向量间的相 似度来评价文档和查询的相关性，而向量间的相似度可用它们之间夹角的余弦值来定量计 算。在向量空间模型中，查询标引词权重可由用户设定，也可认为所有关键字的权重相同； 而文档标引词权重通常采用著名的tf-idf方案进行计算，tf指标引词在文档中出现的频 率，用于体现标引词对文档的重要程度，可用tfy表示标引词termi在文档Clj出现的频率； idf指标引词的逆文档频率，用于体现标引词区分文档的能力，标引词termi的逆文档频率 Idfi的一般计算公式为Jdfi = Iog(NAii),其中，N表示系统中的文档总数，Iii表示系统中 含有标引词termi的文档数目，则标引词termi在文档(Ij中的权值Wi,」可以描述为=Wi,,.= tfi jXidfi = tf^Xlogm/rO。但是由于XML文档具有结构层次特性，这种纯文本上的 tf-idf加权方案并不完全适用，因此如何改进标引词加权方案和向量空间模型来计算文档 和查询的相似度，也成为需要进一步研究的问题之一。 目前，对于大规模XML文档的检索，研究人员大多认为不需要将整篇文档返回给 用户，只返回符合检索条件的文档片段即可，但判断符合检索条件片段粒度通常很困难。而 且，对于海量小规模XML文档的检索，由于文档本身较短小，如果只返回部分片段，很可能造成提供信息过少，不能满足用户的需求。因此不妨同Web搜索引擎一样，快捷地将检索出 的整篇文档返回给用户。
技术实现思路
本专利技术的目的在于克服现有技术存在的上述不足，提出一种面向海量小规模XML 文档融合路径约束的XML检索方法。本专利技术针对现有技术中的问题，创新地以带有XPath形式路径约束的关键字作为 用户提交查询的方式；设计一种新的融合路径约束的检索排序模型，该模型在传统向量空 间模型的基础上，充分利用XML文档的结构层次特性，巧妙地将N-Gram思想应用于模糊路 径约束匹配的计算中，从而对文档标引词加权方案进行调整，最终获得文档同用户查询的 相关度，并按照该相关度的高低对文档进行排序；最后将检索排序后的整篇文档返回给用 户。该方法的主要步骤如下第1、对XML文档进行预处理；第2、对用户提交的查询进行分析处理，形式化地表达用户的检索意图；第3、利用本专利技术提出的检索排序模型对XML文档进行检索，并将检索结果依照相 关度排序，最终返回给用户。下面分别详述如下第1、对XML文档进行预处理；第1. 1、将XML文档定义为一棵XML文档树，具体定义如下定义1 一篇XML文档D可以表示为一棵有序文档树，用9元组T = (V, ν0, Ε，Σ， P, type, id, lab)表示，其中①.V是文档D中所有XML节点的集合；②.ν。是文档D的根节点，V。e V ；③.E是文档D中父子约束的集合，是一个二元关系即五c FxF=r2，且E= {(u,V) IU e V，V e V，U是V的父亲节点}，若有父子约束(u，ν) e Ε,可简写为u — ν ；④.有穷字母表Σ是文档D中所有节点名称的集合；⑤.P是文档D中祖先路径约束的集合，P是一个多元关系即Pc KU F2U…U #1， 且P = {(v0, V1, ... , vn) I (vi; vi+1) e E，0 彡 i < η} U {ν。}，给定节点 Vn 的祖先路 径约束(y0，V1, vn) e P，表示的是从根节点Vtl到节点Vn的连续父子约束，即Vtl — V1, V1 — v2，...，Vlri — vn，简写为 V。一 V1 — V2 —…一vn,使用函数 path :V — P 返回 XML 节 点的祖先路径约束，即当ν e V，path(v) e P ；⑥.函数type =V — {ELEM，ATTR，TEXT}返回XML节点的类型，给出节点ν e V， 有a)若ν是元素节点，则type (ν) = ELEM,所有元素节点组成的集合用Ve表示，则 Ve = {ν I ν e V Λ type (ν) = ELEM}；b)若ν是属性节点，则type (ν) = ATTR,所有属性节点组成的集合用Va表示，则 Va{v|v e V Λ type (ν) = ATTR ；c)若ν是文本节点，则type (ν) = TEXT，所有文本节点组成的集合用Vt表示，则 Vt = {ν I ν e V Λ type (ν) = TEXT}；⑦.函数id :V — DeweyId返回文档D中节点ν的编码，即当ν G V， id (ν) e Deweyld，其中，DeweyId是文档D中所有节点编码的集合，节点ν的Dewey编码是 节点ν在文档D中的唯一标识；⑧.函数lab :V — Σ U {#text}返回文档D中节点ν的名称，即当ν e Ve U Va, lab (ν) eE,定义文本节点的名称都为#text，即当ν e Vt, lab (v) = #text。第1. 2、使用Dewey编码为XML文档进行编码；第1. 3、为检索系统所有XML文档的元素节点名称、属性节点名称和文本节点的内 容建立标引词和节点编码的倒排索引表；第1. 4、计算系统中标引词在各篇XML文档中的频率(出现次数)和标引词的逆文 档频率，分别使用函数GetTermTF(term)和GetTermIDF(term)返回标引词term的频率和 逆文档频率。第2、对用户提交的查询进行分析处理，形式化地本文档来自技高网...

【技术保护点】
一种面向海量小规模ＸＭＬ文档融合路径约束的ＸＭＬ检索方法，其特征在于该方法包括如下步骤：第１、对ＸＭＬ文档进行预处理第１．１、将ＸＭＬ文档定义为一棵ＸＭＬ文档树，定义１：一篇ＸＭＬ文档Ｄ可以表示为一棵有序文档树，用９元组Ｔ＝（Ｖ，ｖ↓［０］，Ｅ，∑，Ｐ，ｔｙｐｅ，ｉｄ，ｌａｂ）表示，其中：①．Ｖ是文档Ｄ中所有ＸＭＬ节点的集合；②．ｖ↓［０］是文档Ｄ的根节点，ｖ↓［０］∈Ｖ；③．Ｅ是文档Ｄ中父子约束的集合，是一个二元关系即Ｅ＊Ｖ×Ｖ＝Ｖ↑［２］，且Ｅ＝｛（ｕ，ｖ）｜ｕ∈Ｖ，ｖ∈户的检索意图第２．１、对用户提交的查询方式进行重新定义，定义２：用户以如下方式提交查询：ｌａｂ↓［１１］／ｌａｂ↓［１２］／．．．．．．／ｌａｂ↓［１ｎ↓［１］］：ｋｅｙ↓［１１］ｗ↓［１１，ｑ］，ｋｅｙ↓［１２］ｗ↓［１２，ｑ］，．．．．．．，ｋｅｙ↓［１ｍ↓［１］］ｗ↓［１ｍ↓［１］，ｑ］ｌａｂ↓［２１］／ｌａｂ↓［２２］／．．．．．．／ｌａｂ↓［２ｎ↓［２］］：ｋｅｙ↓［２１］ｗ↓［２１，ｑ］，ｋｅｙ↓［２２］ｗ↓［２２，ｑ］，．．．．．．，ｋｅｙ↓［２ｍ↓［２］］ｗ↓［２ｍ↓［２］，ｑ］……ｌａｂ↓［ｐ１］／ｌａｂ↓［ｐ２］／．．．．．．／ｌａｂ↓［ｐｎ↓［ｐ］］：ｋｅｙ↓［ｐ１］ｗ↓［ｐ１，ｑ］，ｋｅｙ↓［ｐ２］ｗ↓［ｐ２，ｑ］，．．．．．．，ｋｅｙ↓［ｐｍ↓［ｐ］］ｗ↓［ｐｍ↓［ｐ］，ｑ］其中，ｋｅｙ↓［ｉｊ］（ｉ＝１，２，．．．，ｐ，ｊ＝１，２，．．．，ｍ↓［ｉ］）为用户提交的关键字，关键字的总数ｍ＝∑↓［ｉ＝１］↑［ｐ］ｍ↓［ｉ］；ｗ↓［ｉｊ，ｑ］（ｉ＝１，２，．．．，ｐ，ｊ＝１，２，．．．，ｍ↓［ｉ］）为用户给关键字ｋｅｙ↓［ｉｊ］设定的权重，ｗ↓［ｉｊ，ｑ］＞０，也可缺省设定，认为所有的关键字权重相同，即ｗ↓［ｉｊ，ｑ］＝１／ｍ；ｌａｂ↓［ｉ１］／ｌａｂ↓［ｉ２］／……／ｌａｂ↓［ｉｎ↓［ｉ］］（ｉ＝１，２，．．．，ｐ）为用户给关键字ｋｅｙ↓［ｉｊ］（ｊ＝１，２，．．．，ｍ↓［ｉ］）设定的路径约束，ｎ↓［ｉ］为关键字ｋｅｙ↓［ｉｊ］路径约束的长度，ｌａｂ↓［ｉｋ］（ｉ＝１，２，．．．，ｐ，ｋ＝１，２，．．．，ｎ↓［ｉ］）为该路径约束中节点的名称，当１≤ｒ＜ｓ≤ｎ↓［ｉ］时，ｌａｂ↓［ｉｒ］和ｌａｂ↓［ｉｓ］对应的节点具有祖先后裔关系；第２．２、将用户提交的查询解析成为重新定义的用户查询形式，定义３：对于定义２中用户提交的...

【技术特征摘要】

【专利技术属性】
技术研发人员：袁晓洁，张莹，温延龙，刘众奇，汪陈应，
申请(专利权)人：南开大学，
类型：发明
国别省市：12[中国|天津]