[发明专利]一种基于XML文档的元数据模式匹配方法

摘要

本发明公开了一种基于XML文档的元数据模式匹配方法，通过计算两个元数据的语义相似度、属性相似度、实例相似度、结构相似度和关系相似度，根据具体的XML文档来设置权重，最后计算综合相似度，因此在元数据之间的模式匹配时，可使计算结果更精确。

主权项

1.一种基于XML文档的元数据模式匹配方法，其特征在于，包括以下步骤：1）计算两个元数据的语义相似度：元数据a和元数据b之间的相似度通过字符串的同义词匹配来完成，计算模型如下所示：lex_sim(m1,m2)=Σi=1sΣj=1tsim(m1i,m2j)m*n]]>式(1)其中其中m_1i是元数据m₁的第i个关键词，m_2j是元数据m₂的第j个关键词，s表示元数据m₁的关键词个数，t表示元数据m₂的关键词个数，sim(m_1i,m_2j)表示关键词m_1i和m_2j的相似度，如果m_1i和m_2j相同或为同义词，则sim(m_1i,m_2j)=1，否则为0；lex_sim(m₁,m₂)的取值范围为[0,1]，当元数据m₁中的所有关键词与元数据m₂所有关键词相同或为同义词时，lex_sim(m₁,m₂)=1，而全部不相同或都不为同义词时lex_sim(m₁,m₂)=0；2）计算两个元数据的属性相似度：使用公式(2)计算出两个元数据的属性相似度，计算模型如下所示：attr_sim(m1,m2)=|m2∩m2||m1,m2|+D(m1,m2)|m1∩⫬m2|+(1-D(m1,m2))|⫬m1∩m2|]]>式(2)其中|m₁∩m₂|表示元数据m₁和m₂的属性集合的交集的个数，表示属于元数据m₁但不属于m₂的属性集合的个数，而表示属于元数据m₂但不属于m₁的属性集合的个数，而D(m₁,m₂)的计算公式如公式(3)所示，D(m1,m2)=dep(m1)dep(m1)+dep(m2)dep(m1)≤dep(m2)1-dep(m1)dep(m1)+dep(m2)dep(m1)≥dep(m2)---(3)]]>其中dep(m₁)表示元数据m₁在XML文档中所处的层(即深度)，同样dep(m₂)表示元数据m₂在XML文档中所处的深度；3）计算两个元数据的实例相似度：两个元数据的实例相似度的公式用公式(4)所示，inst_sim(m1,m2)=|instSet(m1)∩instSet(m2)||instSet(m1)∪instSet(m2)|---(4)]]>|instSet(m₁)∩instSet(m₂)|表示元数据m₁和元数据m₂实例的交集个数，|instSet(m₁)∪instSet(m₂)|表示元数据m₁和元数据m₂实例的并集个数；4）计算两个元数据的结构相似度：计算公式如式(5)所示，stru_sim(m₁,m₂)＝λ*Psim(m₁,m₂)+(1-λ)Ssim(m₁，m₂)          (5)其中0≤λ≤1，Psim(m₁,m₂)表示元数据m₁的父元数据与m₂的父元数据之间的相似度，而Ssim(m₁,m₂)表示元数据m₁的子元数据与m₂的子元数据之间的相似度，Psim(m₁,m₂)和Ssim(m₁，m₂)计算公式分别如式(6)、(7)所示，Psim(m₁,m₂)＝attr_sim(p₁,p₂)              (6)Ssim(m1,m2)=Σi=1SΣj=1Tattr_sim(m1Si,m2Sj)---(7)]]>其中p₁和p₂分别表示元数据m₁和m₂的父元数据，与分别表示元数据m₁和元数据m₂的第S_i个与第S_j个子元数据，S、T分别表示元数据m₁和m₂的子元数据的个数，attr_sim的计算如式(2)所示；5）计算两个元数据的关系相似度：关系由于包含多个数据，而每个数据所处的地位不同，假设一个元数据的关系包括以下几种类型：名称、类型、时间和空间，则根据数据的权重计算公式可表示为：rel_sim(m₁,m₂)＝a*name_sim(m₁,m₂)+b*type_sim(m₁,m₂)             (8)+c*time_sim(m₁,m₂)+d*space_sim(m₁,m₂)其中参数a+b+c+d＝1，name_sim(m₁,m₂)、type_sim(m₁，m₂)、time_sim(m₁，m₂)、space_sim(m₁,m₂)分别表示元数据m₁和m₂的名称、类型、时间和空间的关系相似度，根据关系数据的不同，采用不同的方式计算各关系数据的相似度，如名称和类型为字符串，使用字符串相似度计算关系数据的类型的相似度；如果元数据的关系是时间类型的，根据时间关联来计算相似度；如果元数据的关系是空间类型，采用皮尔逊相似度来计算两个关系数据的相似度；6）基于步骤1）到步骤5）的相似度计算，得出两个元数据的综合相似度计算公式，如下所示：sum_sim(m₁,m₂)＝α*lex_sim(m₁,m₂)+β*attr_sim(m₁,m₂)+γ*inst_sim(m₁,m₂)     (9)+η*stru_sim(m₁,m₂)+δ*rel_sim(m₁,m₂)其中参数α+β+γ+η+δ=1，参数的具体值根据具体环境由用户来定。