面向Web的XML文檔數據管理及分類檢索技術研究.pdf

1、隨著計算機和互聯網技術的發(fā)展，網絡已經成為資源數量最多、種類最全、規(guī)模最大的綜合信息庫，這些信息大致可分為兩類：結構化數據和非結構化數據，據統計，非結構化數據占有整個信息量的80％以上，在信息傳遞過程中，80％的時間是用來獲取信息，因此，如何從Web網上科學高效地獲取信息即是本文研究的意義所在。
　　 XML數據庫技術和Web搜索引擎技術的發(fā)展為提高Web信息檢索特別是非結構化數據的檢索效率帶來了希望。因為XML數據庫技術提供了

2、信息存儲和管理的技術保障，而搜索引擎技術為Web信息檢索構建了操作平臺?；诖耍疚尼槍ML文檔數據管理技術及面向Web的分類檢索技術做了深入細致的研究。本文主要研究內容和創(chuàng)新性工作如下：
　　 首先，綜述和分析了純XML數據庫和使能XML數據庫的管理技術及索引機制，在分析各種數據模型特點基礎上，研究討論了以關系數據庫作為存儲源、擴展XQuery作為數據模型的優(yōu)勢，通過對XQuery數據模型的擴展，提出了基于Schema模式約

3、束的XML數據存儲和索引結構SBXI，從用戶邏輯層面定義了XML文檔更新語言XUL，并應用Kweelt查詢系統和JAVA技術實現了文檔更新的關鍵技術。
　　 然后，解決了XML網頁分類的關鍵技術一信息檢索模型問題。由于傳統的向量空間模型不能適用于XML文檔結構相似度比較，提出了基于Tree Miner算法的頻繁結構向量模型，構建了文檔特征矩陣的表示方法和相似度函數；并對該模型拓展，進一步提出頻繁結構層次向量模型，不僅挖掘XML文

4、檔的結構信息，同時抽取表征文檔內容的關鍵詞信息，提高了相似度量的準確率。通過對頻繁結構挖掘算法TreeMiner進行改進，使其更適合大文檔集合的頻繁結構挖掘，實驗證明基于頻繁模式的檢索模型具有很好的網頁分類效果。
　　 最后，提出了分類檢索與全文檢索結合的二次檢索策略，從系統設計角度構架了以頻繁結構層次向量模型作為信息檢索模型、SBXI作為索引結構的基于主題分類的Web文獻全文檢索搜索引擎的系統結構，并討論了其主要構件的功能和工