xml文档相似度计算方法研究与应用

《xml文档相似度计算方法研究与应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中图分类号：UI)C：学校代码：10055密级：公开尚蕊夫法硕士学位论文XML文档相似度计算方法研究与应用XMLDocumentSimilarityCalculationMethodResearchandApplication南开大学研究生院二O一一年五月南开大学学位论文使用授权书根据《南开大学关于研究生学位论文收藏和利用管理办法》，我校的博士、硕士学位获得者均须向南开大学提交本人的学位论文纸质本及相应电子版。本人完全了解南开大学有关研究生学位论文收藏和利用的管理规定。南开大学拥有在《著作权法》规定范围内的学位论文使用权，即：(1)学位获得者必须按规定提交学位论文(包括纸质印刷

2、本及电子版)，学校可以采用影印、缩印或其他复制手段保存研究生学位论文，并编入《南开大学博硕士学位论文全文数据库》；(2)为教学和科研目的，学校可以将公开的学位论文作为资料在图书馆等场所提供校内师生阅读，在校园网上提供论文目录检索、文摘以及论文全文浏览、下载等免费信息服务；(3)根据教育部有关规定，南开大学向教育部指定单位提交公开的学位论文；(4)学位论文作者授权学校向中国科技信息研究所和中国学术期刊(光盘)电子出版社提交规定范围的学位论文及其电子版并收入相应学位论文数据库，通过其相关网站对外进行信息服务。同时本人保留在其他媒体发表论文的权利。非公开学位论文，保密期限内不向外提交

3、和提供服务，解密后提交和服务同公开论文。论文电子版提交至校图书馆网站：http：／／202．113．20．161：8001／index．hun。本人承诺：本人的学位论文是在南开大学学习期间创作完成的作品，并已通过论文答辩；提交的学位论文电子版与纸质本论文的内容一致，如因不同造成不良后果由本人自负。本人同意遵守上述规定。本授权书签署一式两份，由研究生院和图书馆留存。作者暨授权人签字：秃爱武2011年5月19日南开大学研究生学位论文作者信息论文题目Xml文档相似度计算方法研究与应用姓名乔爱武学号2220091257答辩日期2011年5月21日论文类别博士口学历硕士口硕士专业学位■高

4、校教师口同等学力硕士口院／系／所软件学院专业软件工程联系电话13065040505Emailqiaoaiwu@163．corn通信地址(邮编)：济南市文化东路54号250014备注：是否批准为非公开论文否注：本授权书适用我校授予的所有博士、硕士的学位论文。由作者填写(一式两份)签字后交校图书馆，非公开学位论文须附《南开大学研究生申请非公开学位论文审批表》。南开大学学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师指导下进行研究工作所取得的研究成果。除文中已经注明引用的内容外，本学位论文的研究成果不包含任何他人创作的、已公开发表或者没有公开发表的作品的内容。对本论文所

5、涉及的研究工作做出贡献的其他个人和集体，均已在文中以明确方式标明。本学位论文原创性声明的法律责任由本人承担。学位论文作者签名：蚕爱武2011年05月19日非公开学位论文标注说明根据南开大学有关规定，非公开学位论文须经指导教师同意、作者本人申请和相关部门批准方能标注。未经批准的均为公开学位论文，公开学位论文本说明为空白。论文题目申请密级口限制(≤2年)口秘密(≤10年)口机密(≤20年)保密期限20年月日至20年月日审批表编批准日20年月号期日限制★2年(最长2年，可少于2年)秘密★10年(最长5年，可少于5年)机密★20年(最长10年，可少于10年)中文摘要摘要由于XML文档越

6、来越广泛的应用，在数据挖掘、信息检索领域，对XML文档相似度及其检索的研究也变得尤为重要。问题可描述如下：对于给定的XML文档集刃和用户查询g，XML文档检索即是从刃中查找出符合口的XML文档，如果我们可以将用户的查询表示为一个XML文档，那么用户查询与XML文档之间的比较就可以通过XML文档之间的相似度表示。为了有效的进行检索，本文提出了一种新的计算XML文档之间相似度的算法。该算法分为三步：首先，基于WordNet对用户查询q进行同义词扩展得到q；然后，将g和刃中的每一篇XML文档通过布隆过滤器进行数字签名，并通过签名之间的匹配对刃进行有效过滤，除去大量不符合用户查询的文档

7、，得到一个文档子集D’，其中D’cD：最后，对q与D7中的文档通过计算XML文档之间的相似度方法XgLSim得到用户查询与XML文档之间的相似度，以此作为XML文档检索的依据。XML文档之间的比较是通过它们之间的路径集合之间的相似度进行的，首先计算路径之间相似度，XML文档之间的相似度最后通过路径集合之间的最大相似度的平均值得到。基于以上方法提出了一个XML文档检索的原型系统。该检索原型系统的检索性能用MRR(MeanReciprocalRank)和P@N两个指标来评价。MRR值是20个查询