XML數(shù)據(jù)實(shí)體識(shí)別關(guān)鍵技術(shù)的研究.pdf

1、隨著網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，用XML表示與存儲(chǔ)的數(shù)據(jù)量與日俱增，尤其在網(wǎng)絡(luò)數(shù)據(jù)的發(fā)布，各組織間的數(shù)據(jù)交換以及電子商務(wù)等應(yīng)用領(lǐng)域中。XML已經(jīng)成為數(shù)據(jù)表示，存儲(chǔ)與交換的標(biāo)準(zhǔn)，在XML信息的識(shí)別與整合應(yīng)用中，XML數(shù)據(jù)的實(shí)體識(shí)別技術(shù)有著大量的需求。目前，在XML數(shù)據(jù)實(shí)體識(shí)別的研究中，主要的方法是基于距離度量和相似性函數(shù)，而且研究人員忽略了XML數(shù)據(jù)實(shí)體識(shí)別的優(yōu)化問(wèn)題。但在現(xiàn)實(shí)世界中，一方面，不同源數(shù)據(jù)集的表現(xiàn)形式往往不同，而且數(shù)據(jù)經(jīng)常是非清潔的

2、，相似的XML數(shù)據(jù)不一定表示同一實(shí)體，指代同一實(shí)體的XML數(shù)據(jù)并不一定具有相似性。另一方面，源數(shù)據(jù)集通常包含多個(gè)可區(qū)分的實(shí)體信息，在進(jìn)行實(shí)體識(shí)別時(shí)，存在著很多無(wú)用的代價(jià)消耗，具有較大的優(yōu)化空間。
　　本文提出了基于語(yǔ)義規(guī)則的XML數(shù)據(jù)實(shí)體識(shí)別方法和基于雙聚簇的優(yōu)化算法。首先提出了“類(lèi)樹(shù)結(jié)構(gòu)”，類(lèi)樹(shù)結(jié)構(gòu)利用了描述實(shí)體的結(jié)點(diǎn)和XPath路徑的語(yǔ)義，它是由比較符連接的，帶有 XPath限制的可比較結(jié)點(diǎn)對(duì)。其次，根據(jù)類(lèi)樹(shù)結(jié)構(gòu)和一組語(yǔ)義規(guī)則