面向大规模XML文档集的关键词检索系统关键技术研究

随着大量数据以XML文档的形式存储和发布，人们亟需从这些数据中获取有价值信息，而现有XML关键词检索方法和技术不适用于处理大规模XML文档集。针对这种现状，我们提出面向大规模XML文档集的实用性强、交互性好的关键词检索系统的关键技术的研究课题。本课题拟引入机器学习的方法，解决内容和结构在结果评分中的融合问题，建立有效的结果评分方法，提高XML关键词检索效果；研究支持非单调评分方法、增量以及近似查询的Top-k查询理论方法，设计支持多种查询语义模型的Top-k查询算法，快速响应用户；研究关键词查询自动转换成树结构查询的技术，建立基于树结构查询推荐的用户交互检索模型，提高用户准确表达信息需求的能力、改善用户体验。以上述研究成果为基础，研制原型系统，形成一系列符合面向大规模XML文档集关键词检索特点的关键技术。我们的研究工作将丰富和发展XML关键词检索的理论和方法，具有重要的理论意义和实用价值。

作为Internet和Intranet上数据集成和交换的标准，XML已经被广泛应用于电子商务、内容管理、多媒体、数字图书馆以及中间件等众多领域。越来越多的数据以XML文档的形式存储和发布，并逐渐形成趋势。面对各行业中存储和发布的大量XML文档，人们亟需有效检索手段从中获取有价值信息。而现有XML关键词检索方法和技术不适用于处理大规模XML文档集。针对这种现状，我们提出了面向大规模XML文档集检索的关键技术研究课题。本项目拟引入机器学习的方法，解决内容和结构在结果评分中的融合问题，建立有效的结果评分方法，提高XML关键词检索效果；研究查询理论和方法，设计支持不同应用场景的查询算法，快速响应用户；研究关键词查询自动转换成树结构查询的技术，建立基于树结构查询推荐的用户交互检索模型，提高用户准确表达信息需求的能力、改善用户体验。以上述研究成果为基础，研制原型系统，形成一系列符合面向大规模XML文档集关键词检索特点的核心技术。..本项目在国家自然科学基金支持下，开展了相关核心关键技术攻关，取得了以高水平学术论文和发明专利授权为主要形式的成果，完成了三项关键技术创新： 1）提出了基于关键词分布的结果重排序模型，建立了有效的面向XML关键词检索的结果评分方法；2）基于两层索引框架，设计出针对不同应用场景的一般查询和Top-k查询的算法，解决了快速响应用户的问题; 3）基于条件随机场理论，提出了XML关键词查询语义反演模型，对基于关键词检索的用户查询意图进行了有效的预测，改善了用户体验。项目组获得国家发明专利2项，发表学术论文25篇，其中SCI收录 16篇，EI收录7 篇，中国计算机学会A类会议论文4篇。项目研究成果有助于提升我国互联网搜索相关行业的竞争力，具有良好的应用前景。