| 主权项 |
1.一种基于语义相关的XML关键字top-k查询方法，其特征在于包括下述步骤：步骤一、以树结构对需XML文档进行预处理，将XML文档中能够满足下面条件的信息片段看作虚拟文档：1)XML文档中的子树；2)该子树不能是只包含文本节点的子树；3)该子树不能是只包含文本节点和文本节点父节点的子树；对与每个虚拟文档，根据在文档中的顺序编号；步骤二、根据相关度计算模型，计算出每个虚拟文档和被该虚拟文档所包含的词项之间的相关度，并对每个词项建立包含该词项虚拟文档的倒排表，倒排表的顺序按照相关度的大小由高到底排序；虚拟文档和词项的相关度<maths num="0001"><![CDATA[<math><mrow><mi>r</mi><mrow><mo>(</mo><mi>t</mi><mo>,</mo><mi>d</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mi>ln</mi><mrow><mo>(</mo><mn>1</mn><mo>+</mo><mi>wtf</mi><mrow><mo>(</mo><mi>t</mi><mo>,</mo><mi>d</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>*</mo><mi>ln</mi><mrow><mo>(</mo><mi>widf</mi><mrow><mo>(</mo><mi>t</mi><mo>,</mo><mi>D</mi><mo>)</mo></mrow><mo>)</mo></mrow></mrow><mrow><mi>n</mi><mrow><mo>(</mo><mi>d</mi><mo>)</mo></mrow></mrow></mfrac></mrow></math>]]></maths>其中，词项在虚拟文档d中的词频<img file="FSA00000393245800012.GIF" wi="735" he="122" />m代表d所包含一个具体的t，dis(d，m)代表m与d的之间的层次距离，即m与d的根节点之间的距离，α为层次衰减因子，设置为0.8；词项t在虚拟文档集合中的逆向文件频率<img file="FSA00000393245800013.GIF" wi="583" he="142" />f(D)代表了所有的虚拟文档个数，f(D，t)代表包含了t的虚拟文档个数；对查询结果的词频正规化<img file="FSA00000393245800014.GIF" wi="793" he="134" />l(d)代表虚拟文档d的长度，avgl(D)代表所有虚拟文档的平均长度，s为0.2的常量；f(d)代表d中包含虚拟文档的个数，λ为0.7；步骤三、在虚拟文档d和关键字查询Q之间的相关度<img file="FSA00000393245800015.GIF" wi="721" he="126" />的基础上实现top-k查询，1/ln(F(Q，d)+1)为输入关键字之间的接近程度，通过d中包含Q中所有关键字的最小路径个数来表示，具体方法为：1)首先顺序访问每个关键字对应的虚拟文档倒排队列，确定阈值，阈值为当前指向倒排队列的已知相关度和未知相关度得最优值之和；2)判断根据当前访问的虚拟文档是否包含所有关键字，在包含所有关键字的情况下，将该虚拟文档加入候选结果队列。比较候选结果队列中的虚拟文档相关度值与阈值的大小，当候选结果相关度大于阈值，输出该候选结果；当输出k个结果时，结束算法；当未能输出k个结果时，重复1)和2)，继续向下顺序访问虚拟文档倒排队列，根据指向的已知相关度改变阈值，进而按照2)描述计算新的查询结果。 |
