近年来, 随着互联网的快速发展, XML作为Web信息表示的事实标准越来越受到关注.XML的数据管理包括数据的整合和存储、信息的交换等.由于XML的数据源相互独立, 不同应用中XML的数据结构有差异, 而管理这些数据的需求又不断增多, 这就要求对这些数据进行识别, 找出它们之间的相似性后再进行整合等操作.非模糊的XML数据管理问题是以往各国学者研究的热点^[1-3], 主要研究XML文档和文档类型定义 (DTD) 之间的相似性^[1-2]，以及XML文档之间的相似性^[3].这些经典方法的提出, 对于解决XML数据管理问题十分重要.

在经典XML文档和DTD的相似性研究中, XML文档可以表示为树, 而DTD是一组规则表达式, 也可以表示为树, 但是两者的相似性问题比两棵树的匹配问题复杂得多, 目前的解决方案主要有以下几种策略.第一, 对于需要进行匹配的XML文档X和文档类型定义D, D中的某些属性和元素可能不出现在X中, 而X也可能包含一些D中没有的属性或元素; 因此, 文献[1]通过计算出现在D中而不出现在X中的元素和出现在X中而不出现在D中的元素的数目来进行相似性比较.第二, 由于文档类型定义可以描述为扩展的与内容无关的语法, 因此使用一个自动机来表示D, 问题可转化为度量自动机和文档树之间的编辑距离^[4-5].

然而, 实际应用中很多信息都是不确定的, 也就是模糊的.随着模糊信息不断出现在许多实际应用中, 这些模糊信息也要相应地用模糊XML来表示, 这使得对模糊XML数据的管理十分必要, 它已经成为当前新的研究方向^[6].研究模糊XML与模糊DTD的相似性问题对于模糊数据的整合至关重要^[7], 但是目前还没有针对模糊XML文档与模糊DTD匹配问题的相关研究.

本文基于模糊XML文档和模糊DTD数据模型, 将二者转化为树; 根据模糊DTD的特性, 在对模糊DTD中元素与属性约束进行转化处理后, 提出了计算模糊XML文档与模糊DTD相似性的匹配算法, 对相似性进行计算.最后用实验验证了该方法的正确性和有效性.

1 模糊XML与模糊DTD数据模型 1.1 模糊XML文档及树形表示

为了表示模糊XML文档中的模糊信息, 使用基于“隶属度和可能性分布”的模糊XML文档的表示模型^[8].在这个模型中, 一个元素可以有相关的隶属度.元素的隶属度意味着成为其父亲的孩子节点的可能性.而元素的属性值可以用概率分布来表示, 并且这些值可以是析取的, 也可以是合取的.下面给出一个模糊XML文档片段, 如图 1所示.

模糊XML文档可以用树形结构来表示.按照DOM^[9]模型, 一个模糊XML文档也可以表示为一个单根的有序标签树, 其中的节点对应文档中的元素和属性.本文只比较树的结构相似性, 所以省略元素和属性的值.图 1中文档的树结构如图 2所示.

1.2 模糊DTD及树形表示

模糊DTD作为模糊XML文档的语法结构, 描述了模糊XML文档的结构框架.与非模糊DTD不同的是, 模糊DTD引入了模糊构造子Dist, Val, Poss, Type.下面给出图 1中模糊XML文档对应的模糊DTD, 如图 3所示.

与模糊XML文档一样, 模糊DTD也可以用树形结构来表示.图 3中模糊DTD的树结构如图 4所示.

2 模糊DTD树的转换规则

由于模糊DTD中包含基数约束和析取约束, 所以无法将其直接与模糊XML文档树进行相似性比较，需要对这些约束条件进行转换处理.

2.1 析取约束的转换

析取约束“|”, 表示该符号前后元素或属性不能同时出现, “|”即OR运算符.如果模糊DTD中包含“|”运算符, 需要将其转换为多个不包含“|”的DTD集合.例如:表达式 < !ELEMENT a (b, (c|d))>可以分解为 < !ELEMENT a (b, c))>和 < !ELEMENT a (b, d)>两个表达式, 分别对应两个DTD.这一过程称为析取分解过程.用规则1来表示.

规则1：处理D中析取约束“|”, 对“|”两边的元素或属性进行选择, 形成多个不包含“|”符号表达式的d, 从而构成DTD集合Dset, d为Dset中的DTD.

特殊地, 对于模糊构造子Val, 若该Val的父节点Dist下Type值为disjunctive, 表示Dist下的Val子树是不能同时出现的, 相当于析取约束, 即需要根据Type下的值判断Dist下的Val子树的个数.因为Val下子树表示的是属性和它的值, 一般地, 各个子树结构是相同的.为了不增加将来相似性比较的复杂度, 本文选择只保留一个Val子树.

2.2 基数约束的转换规则

模糊DTD中元素和属性的基数约束“*”, “+”, “？”是用来说明所约束元素或属性的可重复次数.如果用e来表示元素或属性, 则e*表示e可以重复0到无限次, e+表示e可重复1次到无限次, e？表示e可重复0或1次.对于基数约束组合, 可以用下面的原则来转换，以达到简化的目的.

e++→e +,

e **→e *,

e*+→e *,

e*?→e *,

e?+→e *,

e??→e?.

也就是说, 所有的基数约束组合最终都可以转化为e*, e+, e?.需要确定的是具有基数约束的元素具体的重复次数.可以根据该元素或属性在相比较的模糊XML文档树中有相同父亲的相同元素或属性的重复次数作为最终的重复次数，即模糊DTD中具有基数约束的元素或属性e的重复次数等于与之相比较的模糊XML树中有相同父亲的元素或属性e’的重复次数, 用repeat (x. e’) 来表示.其中, repeat表示重复次数, 可以用计数器来实现, x. e’表示在模糊XML树x中有相同父亲的元素e’.这使得模糊DTD的基数约束能自动适应与之比较的模糊XML文档.

综上所述, 提出基于这些转换规则的将DTD转换为树的算法, 算法的描述如下.

算法DTDtoTree (X, d)

输入: X //XML文档

   d //DTD

输出: DtreeSet

1  If (X和d非空)

2  {For (int i=0;i < d.childcount; i++)

3    { If (d.child[i]约束为*或+, ?)

4    {repeat (X.d.child[i]) }

5    else {d.child[i]保持不变}

6    DTDtoTree (X.child [i], d.child [i])

7    }

8   }

9  return DtreeSet

3 模糊XML文档与模糊DTD树的相似性比较

在明确模糊DTD树的转换规则后, 本文提出了模糊XML文档与模糊DTD树相似性计算方法；本方法与其他方法不同之处在于本文所提出的方法是专门处理模糊XML与模糊DTD之间的相似性.比较模糊XML文档与模糊DTD树的相似性, 首先要将模糊XML文档转化为对应的树, 模糊DTD转化为对应的树集合，然后利用树编辑距离算法计算两者之间的相似性.算法具体描述如下.

算法Similrity_Doc_DTD (X, D)

输入: X //XML文档

   D //DTD

输出: Sim (X, D)//相似度

1  Xtree=DoctoTree (X)

2 

3  For (i=1, i < | DTDset |, i++)

4   {DtreeSet=DTDtoTree (DTDset[i], X) }

5  Dist[]=new[|DtreeSet |]

6  For (i=1, i < |DtreeSet |, i++)

7   {Dist[i]=TED_{Doc_DTD}(Xtree, DtreeSet[i]) }

8  Return Sim (X, D)=Max

很明显, 该算法中分别计算模糊XML文档树与模糊DTD树集合中的树的编辑距离, 编辑距离越小的相似性越大, 最后在结果数组中选取最大相似度作为最终相似结果.树编辑距离算法是计算两棵树之间的相似性的经典算法^[10].该算法可以很好地实现文中模糊XML树与模糊DTD树的结构相似性.算法的描述如下.

算法TED_{Doc_DTD}(Xtree, Dtree)

输入: Xtree, Dtree

输出: TED (Xtree, Dtree)

1  M=Degree (Xtree) //Xtree的一级子树的度

2  N=Degree (Dtree) //Dtree的一级子树的度

3  Dist[][]=new[0, …, M][0, …, N]

4  If (Xtree与Dtree的根节点匹配)

5   {Dist[0][0]=0} //匹配节点编辑距离为0

6  Else

7   {Dist[0][0]=1 }

8  For (i=1 to M)//Xtree_i表示Xtree的第i个孩子

9  {Dist[i][0]=Dist[i-1][0]+CostDelTree (Xtree_i)}

10  For (j=1 to N)//Dtree_j表示Dtree的第j个孩子

11   {Dist[0][j]=Dist[0][j-1]+CostInsTree (Dtree_j)}

12  For (i=1 to M)

13   { For (j=1 to N)

14    {Dist[i][j]=Min{

15     Dist[i-1][j-1]+TED (Xtree_i, Dtree_j),

16    Dist[i-1][j]+Cost (Xtree_i, “delete”),

17    Dist[i][j-1]+Cost (Dtree_j, “insert”) }}

18   }

19  Return Dist[M][N]

本文方法的特点在于处理对象的模糊特征, 即XML文档和DTD都是模糊的.相对于经典的XML与DTD的匹配问题, 这一特点无疑增加了处理的复杂度.此外, 本方法合理扩展了经典XML与DTD的匹配方法, 利用基于树编辑距离的算法达到了匹配的目的.由于本方法是基于目前处理树匹配问题最有效的方法进行的扩展, 因此具有先天的性能优势.

4 实验

本文选用真实数据集对算法进行测试, 以进一步评估本文方法的性能.同时通过实验对本文提出的模糊XML文档和模糊DTD相似性的计算方法与非模糊XML文档和DTD的相似性计算方法进行了性能对比.下面简单介绍主要的评估指标以及它们的定义.

A是正确匹配并被识别的模糊XML文档与模糊DTD数量; B是错误匹配并被识别的模糊XML文档与模糊DTD数量; C是正确匹配但是没有被识别出的模糊XML文档与模糊DTD数量.

P是精确度, 即正确匹配的程度:

R是召回率, 即匹配的完整性:

两者的调和平均值用F-measure来表示:

精确度和召回率越高, 匹配方法越有效.

为保证数据的真实性和可信度, 本文所用的数据集为DBLP和SigmodRecord.需要在这些数据集中加入模糊算子, 使其成为模糊数据集；另外, 需要将这些数据集分解为0.1 MB到2 MB的不同大小的数据, 以便对比不同大小的数据的算法响应时间.

图 5显示了在DBLP和SigmodRecord数据集上使用文中提出的方法所得到的精确度、召回率和F-measure值的对比情况.可以看出, SigmodRecord数据集上的有效性要好于DBLP数据集, 这与DBLP数据集结构较复杂有关.

图 6显示了在DBLP和SigmodRecord数据集上运行本文方法所得到的响应时间对比.可以看出, SigmodRecord数据集上的响应时间远少于DBLP数据集, 这与DBLP数据集较大有关.

图 7是本文提出的模糊XML与模糊DTD树相似计算方法和非模糊XML与非模糊DTD相似性计算方法的响应时间对比.由图 7可以看出, 本文提出的方法响应时间长于非模糊方法, 这是因为模糊数据集加入了模糊算子, 增加了处理复杂度.另外, 随着文档不断增大, 两种方法响应时间差距有缩小趋势.

5 结语

本文基于模糊XML与模糊DTD模型, 根据模糊DTD析取约束和基数约束的特性, 首先提出了模糊DTD模型的析取约束和基数约束转换规则, 然后研究了模糊XML与模糊DTD的相似性, 给出了相似性比较的匹配算法.用具体实例说明了比较过程，并通过实验验证了所提出方法的正确性和有效性.