XML文檔最大頻繁嵌入子樹挖掘及其應(yīng)用.doc

1、XML文檔最大頻繁嵌入子樹挖掘及其應(yīng)用隨著信息技術(shù)的快速發(fā)展, 尤其是互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展, 使得信息大量膨脹和聚合。 XML(eXtensibleMarkup Language)作為一種常用的數(shù)據(jù)交換和傳輸標(biāo)準(zhǔn) , 蘊(yùn)含了大量的知識(shí)信息與各類模式。 目前 , 對(duì)于 XML文檔的嵌入子樹和歸納子樹的挖掘方法主要用于挖掘頻繁子樹完全集, 結(jié)果集會(huì)隨著樹結(jié)構(gòu)數(shù)據(jù)庫(kù)的增大而呈爆炸式增長(zhǎng)。為了壓縮頻繁子樹集合 , 挖掘 XML最大頻繁子樹將是非常必要的。最大頻繁子樹挖掘主要包括最大頻繁導(dǎo)出子樹挖掘和最大頻繁嵌入子樹挖掘, 因?yàn)轭l繁嵌入子樹構(gòu)造靈活 , 數(shù)目龐大 , 所以其挖掘難度也較大。 而且目前最大

2、頻繁嵌入子樹挖掘的研究尚不多見(jiàn)。所以本文主要集中于最大頻繁嵌入子樹挖掘的研究。本文深入研究了XML文檔頻繁子樹挖掘方法 , 實(shí)現(xiàn)了其中兩個(gè)具有代表性的挖掘嵌入式頻繁子樹的算法 , 經(jīng)過(guò)對(duì)其性能進(jìn)行分析后 , 發(fā)現(xiàn)在頻繁子樹的挖掘過(guò)程中 , 如何高效的生成候選子樹直接決定挖掘的效率。針對(duì)這一問(wèn)題 , 分析了當(dāng)前最大頻繁嵌入子樹挖掘性能的瓶頸 , 提出了一種更加高效實(shí)用的挖掘最大頻繁嵌入子樹的算法。在該算法中設(shè)計(jì)了一種數(shù)據(jù)結(jié)構(gòu) , 節(jié)點(diǎn)集合 , 用以保存 XML文檔各元素的頻繁度信息以及在文檔樹中的結(jié)構(gòu)信息。利用該數(shù)據(jù)結(jié)構(gòu) , 避開(kāi)了常見(jiàn)挖掘算法中的投影技術(shù) , 既節(jié)省了投影時(shí)間 , 又節(jié)省了存儲(chǔ)投影結(jié)果的內(nèi)存空間。 通過(guò)節(jié)點(diǎn)集合之間的相互連接 , 代替了子樹的連接操作和剪枝操作 , 減少了冗余子樹的生成。從頻繁節(jié)點(diǎn)的節(jié)點(diǎn)集合出發(fā) , 構(gòu)建一種壓縮的樹結(jié)構(gòu) , 將其映射還原后 , 得到最大頻繁嵌入子樹。使用本文提出的方法進(jìn)行實(shí)驗(yàn) , 在挖掘最大頻繁嵌入子樹的時(shí)間上比當(dāng)前的最大頻繁嵌入子樹挖掘方法有比較明顯的提高。最后, 論文以XBRL數(shù)據(jù)庫(kù)系統(tǒng)這一實(shí)際項(xiàng)目的研發(fā)為背景, 闡述了該應(yīng)用系統(tǒng)的框架模型, 將XML最大頻繁子樹挖掘應(yīng)用到這個(gè)實(shí)際項(xiàng)目中, 對(duì) XBRL中