[发明专利]一种计算XML文档相似度的方法

摘要

本发明属于数据库技术领域，建立一种XML文档约束模型，称为双向路径约束模型。基于这种模型提出一种新的计算XML文档相似度的方法。它通过节点的双向路径约束更全面的提取XML文档的结构信息，有利于更精确的衡量XML文档之间的相似度。本发明引入自然语言领域中非常成熟的N-Gram思想，将基于N-Gram的划分方式应用在路径约束相似度计算中。最后本发明巧妙地运用正整数和权值简化了N-Gram信息的提取和运算。本发明可用于XML文档分类、聚类以及模式提取等领域。

主权项

一种计算XML文档相似度的方法，其特征在于该方法包括如下步骤：步骤1、将XML文档定义为一棵XML文档树，并表示为一个6元组；步骤2、建立双向路径约束Bidirectional path constraints，BPC模型：在步骤1文档树的基础上定义节点的BPC，一篇XML文档包含的所有节点的BPC集合称为双向路径约束模型；步骤3、使用基于N-Gram的划分方式计算两个祖先路径约束或孩子路径约束之间的相似度，统称为路径约束相似度；步骤4、根据步骤3得出的路径约束相似度计算两个节点的BPC相似度，进而把这个BPC相似度作为这两个节点的相似度；步骤5、最后文档中所有节点相似度按照节点的结构层次加权求和作为两篇文档的相似度。