您现在的位置是：首页 > 技术资料 > 面向物联网的语义空间资源索引构建及其查询优化算法

推荐星级：

面向物联网的语义空间资源索引构建及其查询优化算法

更新时间：2019-12-10 08:38:18 大小：822K 上传用户：xiaohei1810 查看TA发布的资源 标签：物联网 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

面对物联网中的海量空间资源,在空间资源索引的构建中引入语义分类的方法,使得传统的IR树具备语义特征,支持用户对资源的语义查询,并提出一种top-k语义查询优化算法,通过对实际数据的使用和实验分析,得出索引结构的有效性和查询结果的正确性,从索引构建时间、查询时间和查询准确率3个指标来评估算法的性能,实验结果表明,算法支持语义空间资源索引构建,并且查询性能好,准确率高.

部分文件列表

文件名	大小
面向物联网的语义空间资源索引构建及其查询优化算法.pdf	822K

立即下载

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）

V01．36

anuary

No· 1

系统工程与电子技术

第36卷第1期

and Electronics

Systems Engineering

¹4年1月

网址：WWW· sy8。l。· 。。“

506x(2014)o卜0173

文章编号：1001

面向物联网的语义空间资源索引构建及其

查询优化算法

苏，黄宏斌

马武彬，刘明星，邓

(国防科学技术大学信息系统_T-程重点实验室，湖南长沙410073)

摘

要：面对物联网中的海量空间资源，在空间资源索引的构建中引入语义分类的方法，使得传统的IR树具

备语义特征，支持用户对资源的语义查询，并提出一种top—k语义查询优化算法，通过对实际数据的使用和实验分

析，得出索引结构的有效性和查询结果的正确性，从索引构建时间、查询时间和查询准确率3个指标来评估算法

的性能，实验结果表明，算法支持语义空间资源索引构建，并且查询性能好，准确率高。

关键词：物联网；语义分类树；资源索引；查询优化

391

中图分类号：TP

文献标志码：A

DOI：10．3969／j．issn．1001—506X．2014．01．28

resource index construction and

query optimization

Spatial

for Internet of

algorithm

Things

MA Wu—bin，LIU

Su，HUANG

Hong—bin

Ming—xing，DENG

and

System Engineering，

In．formation

(Key Laboratory o厂Science

Technology

Tech

nology，Changsha

ina)

73，Ch

National

Defense

University of

construction for the Internet of

Things

semantic classification for

resources index

space

Abstract：Using

makes the traditional IR tree with semantic features and

semantic

for

resources．A

top—k

query

spatial

of the index structure and the correctness of

validity

supports

the

semantics

query optimization algorithm proposed，and

assess the of

performance

the results is obtained the of real dataset and

through

of the construction

experimental analysis．To

time of the time and the

index，the

query

are

accuracy

query

the

algorithm，three aspects

show

and

resources index construction and has

results

that the

semantic

space

compared．The

algorithm supports

classification

Things；semantic

high query performance

accuracy．

tree；resource index；query optimization

Keywords：Internet

算法。该文利用查询点近邻资源的特征，将那些用户可能

感兴趣的近邻特征给予较高的排序权重。在引入代表用户

偏好的文本相似度计算以后，计算复杂度变高，并且I／0代

价也比较大。因此，许多学者试图提出一种更加合理的空

间资源索引方法。文献E2]在R—tree结构的基础上，提出了

IR2。tree空间资源索引结构。将文本计算与空间的欧式距

离计算比较融合在一起，在R—tree中每一个节点加入特殊

的文本标记语言格式(以签名的方式，Signature)，避免了空

间资源的查询在距离与文本相似度之间频繁的导入导出，

减少了传统基于R—tree空间资源toFk算法的复杂度。文

献[8]在军事背景下，提出了对空间信息资源进行分布式索

引方法。

引

言

随着物联网技术的高速发展，空间中广域分布的多个

物体作为多种空间资源连接到网络当中，被人们所用。物

联网中的资源具有海量性、多样性、移动性等特点。因此，

用户往往难以在物联网中快速地寻找到所需资源。这就需

要为用户提供一种高效、快速的资源查询算法。

快速查询首先需要建立合适的索引结构。传统的空间

资源索引结构，例如R树_1。、R+树、IR树一3‘6。等，多年以

来，空间资源的索引多采用R树结构或者改进R树结

构l，并取得了很好的应用效果。在R树索引的基础上，文

献E7]从用户偏好的角度出发，提出一种可以反应用户偏好

的空间资源top—k查询算法，并在此基础上提出许多改进的

然而，空间资源从传统的地理资源逐渐发展到web服

收稿日期：2013—06—05；修回日期：2013—11—01；网络优先出版日期：2013—12—31。

网络优先出版地址：http：／／www．cnki．net／kcms／delail／11．2422．TN．20131231．1132．012．htm

基金项目：国家高技术研究发展计划(863计划)(2011AA010106)资助课题

万方数据

。174。

系统工程与电子技术

第36卷

务、网络节点、移动终端等虚拟的资源。用户在查询这些资

源时，对资源内容的匹配有着强烈要求，传统的R树已经不

能满足人们对查询效率的需求。文献[5，9]提出了一种将

倒排索引表与传统Rtree结合起来的索引结构IR—tree，使

得在处理用户对资源的索引请求时，能够同时利用资源的

位置信息和文本内容信息来筛选有用的资源。

源分为”类。对于第i类资源d，的窄问资源个体(

d，，用

一个二：元组表示：Q一(Q．10e，q．doc)。其中，(Z．舡对应空

间资源个体的位置信息，()J．doc描述空间资源个体的特征信

息。空间资源查询示例如图1所示。

在最近几年空间资源检索的研究中，大部分学者都采用

IR-tree的结构进行索引构建。文献[101在IR—tree的基础结

构之上，提出了一种基于声望的top-k空间资源文本查询

(10cation-aware

text

top-k

retrieval，I．kPT)。该

prestige-based

图1 牵M资源查询爪例

算法考虑了查询资源之间的相关性，当查询到一个结果后，

算法会认为与该结果相关的资源有更大概率得到用户的认

可。文献[11]提出了一种带方向约束的资源查询算法，解决

同样的，对于一个top-k查询q。q一(10c，doc，dist)，q．10c

和q．doc’分别表示查询个体的位置信息和特征信息描述，

了用户查询特定方向区域资源的问题。但是，以E方法主要

针对单个查询，对于多人组合查询没有提出对应的解决方

法，而文献[12]则为这种问题提供了有效的解决方法。在R

树的构建过程中，节点的分离过程仅考虑地理位置特征，将

相隔最近的两个点或者区域划分为一个新的节点．而在IR树

的构建过程中，目前研究者也只是将具有完全相同词汇的节点

划分为同一类。这些方法都没有考虑到构建时资源本身存在

的语义特征，而语义特征是影响查询性能的重要因素”。

q．dist表示该查询要求的空间范围半径。”“4。

1．2资源与查询之间的距离

地理位置信息是表示查询与目标资源之问关联的重要

参考依据。传统的资源与查询之间的距离往往以欧式距离

来衡量，而在实际情况中，这种欧氏距离计算方法往往会遇

到许多问题。本文在空间资源的查询过程中应用实际网络

模型中的距离来代替传统的欧式距离”。对于道路模型

G一(V，E)，两点之间的距离计算见Algorithml。

随着物联网、RFID技术的发展，空间资源的范围不断

扩展，从以往的空间建筑物名、地名、路标等大型标示性资

源扩展到能够连接到物联网中的各种资源．例如．出租车公

司、店铺、手机、电脑、超市，甚至是一辆出租车、公交车以及

一堆打折的苹果等实体资源。这些资源除了具备基本的位

置特征以外，还包含有丰富的文本和语义信息，传统的基于

位置的索引构建和查询算法不能满足用户的需求。

For Real Road

Algorithm

name：Distance

Algorithm

Directed

By Edge

in Real Road Network G)

Input(V．and

Output(Dist(u，，玑))

is an

u，is

object

and"Uj

matrix of

in real road di—

^_i：。—一adjoining

objects

rected；

例如，用户提出“咖啡”的搜索需求，在传统的空间资源

traditional

Return

Dijkstra(A“”．u，u，)；∥use

Dijkstra

索引结构中，找出所有带有咖啡的空间资源，包括咖啡馆、咖

啡商店、卖咖啡的超市、名叫咖啡的地名或者种植咖啡的地

方，将这些搜索结果展现给用户，但是用户需要的只是寻找最

近喝咖啡的地方。传统的空间资源索引方法没有考虑用户需

求的语义特征以及各个资源之间的语义关系，实际应用中，往

往用户需要的只是其中某一类资源，空间资源索引构建没有将

这些带有语义信息的资源分离开来，影响了查询的准确率。

针对以上问题，本文将语义分类方法引入到空问资源

索引的构建中，通过调用目前比较成熟的语义分类方法，在

gorithm

If u．is an

and u．is

MBR

object

Foreach

MBR

object O^in

u，

Return Minimum

Dist("，，O女)

面向物联网的语义空间资源索引构建

空间资源索引结构IR—tree是建立在R—tree的基础上，

将倒排文件与R—tree结合起来，形成的一种适合空间资源

top k查询的树形索引结构j9，如图2所示。

传统的空间资源索引分割中使用该方法，使得空问资源索引

具备语义特征，并提出一种基于语义分类的空间资源索引结

构及其查询优化算法，通过试验验证索引结构以及算法的可

行性。试验结果表明，基于语义分类的空间资源查询算法相

对于传统的基于IR树空间资源查询算法，可以在10 ms时

间内，对10万级空间资源数量的查询准确率提高36％。

空间资源查询问题描述

1．1

空间资源查询基本模型

罔2 IR Tree结构

对于一个空间资源库D，根据空间资源分类体系，将资

万方数据

第1期

马武彬等：面向物联网的语义空间资源索引构建及其查询优化算法

根据传统的IR—Tree索引结构构建主要分为3步：构

店也应当划分在一个区域。

建空的根节点；对新节点的插入；对已经达到最大数量上限

的节点进行分离。其中节点的分离是关键。传统的分离目

标主要有：

本文提出一个基于语义分类的空间资源索引构建方

2所示，算法的输入为待插入的对象0，，

法，如Algorithm

以及待插入树的根节点(如果是第一个插入的对象，将

(1)在R树和R+树中，分离目标主要有3个，第一个

是以分离后区域面积之和最小的原则，第二个是以区域重

该节点赋值为根节点)。算法的输出为插入了新对象的

语义IR树的根。算法的过程如下：首先，寻找离待插入

点最近的节点．如果该节点不是叶节点，则递归调用插

入函数，反之，则对该节点进行插入操作，见算法的

第1～5行，这些操作并没有涉及到语义关联的内容，符

合分离目标1，因为空间资源的地理位置仍然是考虑的

重点，如果两个地方相隔太远，那么无论有多高的相似

度，资源都不能挂在同一父叶节点下。在算法的第6～9

叠率最小的原则，第三个是分离后区域周长之和最小的

原则。

(2)在1R树中，由于将文字信息引入到了树的存储结

构中，分离原则多了一个文本的重复性原则，即将具有文字

重复率较大的资源实体合并到一起，使得分离后的两棵子

树之间的文本差异最大。

而在本文提出的SIR树中，不仅需要考虑上述规则，还

需要对资源之间的语义特征进行分析，也就是本文提出的

分离目标3。

行，如果节点下面的子结点数量大于预定的M值，则调

用分离函数，如果没有，则将对象挂在叶节点上，同时更

新叶节点的空间范围。如算法第10～l3行。

(3)在SIR树中，节点分离时将具有相同语义特征的

资源实体归到同一个节点之下，使得分离后的两个节点能

够具有较大的语义差别性。例如：针对水果店、苹果市场、

苹果产品专卖店、电子产品商场4个资源实体在空间分布

的位置如图3所示。

Algorithm name：SIR—Tree

root

root)

Input(object 0。，Tree

()utput(root)

the nearest leaf node for

1：Find

0。；

2：insert(root，0，)；

3：insert(node，O，)／／对插入函数的定义

node．childlist(i)in node

4：{foreach

：骨l

l血套l

5：{if(node．noleafnode-一true)∥如果节点是非叶子节

署蔺

图舅

(b)R+树中的一种分割

i圈

点，递归寻找插入点；

Return

6：

7：

8：

insert(node．child(i)，O，)；}

图

else∥如果节点是叶子节点．则直接插入

{if(node．objects．1engtK>M)∥如果节点数量超

(a)资源分布示例

图3 资源在空间分布的位置

过了M值；

9：

{define newnode；

split(node。newnode，O：)∥调用分离

如果按照传统的R+树划分方法，在分离目标1的指导

卜^，利用文献[1 6]中提到的线性分割算法，保证了区域之间

的覆盖率是最小的，并且区域总面积也是最小的。这种单

纯只考虑空间分布特征的分割算法虽然具有较小的存储空

间，但是缺乏文本分类的指导，导致用户在寻找具有文本特

征的资源过程中会花费大量的时间搜索不相关的资源。

10：

函数；

10：

11：

else{

node．objects．Add(O，)；∥加入到节点的对

象集合中；

12：

update(node)；∥更新节点区域大小、关键

字索引表；

13：

14：

15：

}

圈iL 霉囡竭到

r；iL

画

2中的第9行中，通过调用

语义分割过程在Algorithm

(b)基于语义的分割

(a)基于关键字的分割

一个语义分割过程，将具有较高相似语义特征的空间资源

划分到同一个父节点，具体过程将在Algorithm3中详细

描述。

图4 不同分割方法的划分结果

在IR树中，针对关键字的划分可以将该区域分割为如

图4(a)所示，该方法利用关键字的聚类将同时含有“苹果”

关键字的资源划分为一个新的区域。而基于语义的分割则

如图4(b)所示，水果店和苹果批发市场有更大的相关性，

需要划分在一个区域，而苹果产品专卖店和电子产品专卖

Algorithm3的输入有3个参数，第一个参数是用来传

递分离前的子树根节点以及存储分离后的子树根节点，第

二个参数用来存储分离后的另外一个子树节点。算法的详

细过程如下：首先将待插入的节点对象0：和叶节点原有的

万方数据

· 126·

第36卷

系统工程与电子技术

当判断树的入VI为非对象节点时，判断当前入口节点是

否满足修剪条件，如果满足，则将其子树进行修剪，否

子节点node．objeels对象合并到一个集合Objects当中，对

该集合进行基于语义的分类操作，从Objects选取两个距

离最近的对象，任意将其中一个命名为objectsEm3。依

照分离目标1，并不能单纯的选择两个语义最相关的对

象进行合并，于是从objectsEm]对象出发，选择离该对象

最近的k个对象(k—M／2)，从这些对象中，选择一个语

义距离最近的节点，如Algorithm 3中的4～5行。其中

语义距离计算采用文献[18]中的方法。将Obj与ob—

jectsEm]进行合并，存储到新的对象集合C—d,ject中，并

将原来的ohjectsEm]和语义最相关对象Obj替换掉，如

算法中的6～10行。重复上述操作，当对象集合Objects

的数量刚好等于2时结束。取出最终剩余的两个对象

集合放人到Node和Newnode中。这样就完成了基于语

义的对象分割过程。

3中的

则，将其所有子树节点压人栈中，对应Algorithm

第7～1 7行。当访问到了叶节点时，同样根据相似度和

9～25行就是一个

距离选择对象，Algorithm 3中的第1

选择最优目标的过程。

Algorithm 4：name：top—k query Algorithm(phase

rOOt

root，Integer

Q，Tree

Input(query

1：L卜_new stack；

2：J。．Enquenue(root，0)；

3：for each

q， Q

SIM_queuewhose num—

4：

min—priority

V，+一new

far

from

e；

ber is k，initial value is

5：While，，is not

objects enough

away

empty

6：

7：

P+I。．Dequene；

is non—leaf—node

name：Semantic

Algorithm

Split

Input(Node，Newnode，object(1)

test)or Dist(e，

newset

8：If SIM(Qtest，ej test)％SIM(Q test，Ki

1：combine the@and node．objects

Objects；／／

loc then

Q)>Q

先将待插入节点与所有子结点合并，形成新的子集

Continue the while

loop；

the

set with

9：

2：define

objects

newobjects．ko幻F(’ts．

Else Foreach node P’in

10：

1l：

(：o幻P(。ts；

I。．Enquene(e7，e7．doc)；

Endlf；

leaf—node

3：while(()bjects．number>2)

the nearest tWO

them

12：

4：

{find

in()bjects，put

objects

12：If

new_objP(’ts：

one

find the nearest

from

13：If SIM(Q．test，e．test)<SjM(Q．test，V^．test)or

Dist(e，Q)>Q．10t’then

5：

objects

any

object(named

them in

ohjectsEm])in nezg-oDjects．put

K—objects；

most semantic similar

of ob—

Continue the while

Else Foreach

6：

find the

14：

5：

object Obj

loop；

O，in

objects

jectsEm]in K—objeL、ts；

combine the

and

tO one

7：

Obj

object(20b—

ohj盯tEm3

¹6：L．Enquene(0，，0，．doc)；

17：Endlf；

Jel’，；

8：

instead of

clear

and()幻by

18：If

is an

then

object

objeL、tsEm3

C—ohjeL‘t；

9：

19：If SIM(Q．test，e．test)<SfM(Q．test，u．test)or

the”P叫一objeels，

then

Dist(e，Q)>Q．10c

女一oh)eels．(■objecls；

10：

)

while

Continue the

loop；

20：

21：

22：

1：

Node．objects—ObjectsE0]；

else

12：

Newnode．objects=ObjectsEl]；

V．Enqueue(e，P．key)；

23：

24：

Endlf；

3面向物联网的语义空间资源查询优化算法

25：EndWbile；

在对空间资源的索引构建完成以后，在该索引的基础

上，本文提出一种基于深度优先搜索的语义空问资源查询

优化算法。

实验分析

rool以及需要返回的

算法输入：查询Q，索引树的入171

tree上进行空间资源查询效率对比分析。

names

实验在SIR

结果集大小，即top—k中的k。初始化一个空栈L，存储查询

SIR—Tree过程中访问的节点。首先，将根节点压入栈中，并

初始化一个按照对象与查询之间的相似最小优先队列，对

Sequoia

本文数据集采用真实数据集California place

和Streets数据集。”，主要是描述美国加利福利亚州的se—

quoia和Streets城镇空间数据以及街道数据集，如表1

所示。

3中的第1～4行，并随机选取k个对象放入

应Algorithm

队列中。从Algorithm 3的第5行开始，结合BIR—TREE

深度优先搜索算法，查询与用户距离最近的相关资源。

本文所采用电脑主要配置为：Pentium(R)Dual—core

3．06 CPU，4GB RAM内存。

万方数据

第l期

马武彬等：面向物联网的语义空间资源索引构建及其查询优化算法

表1数据集内情况分布

耋1

童l

首先对索引的构建时间进行分析，对于两个不同的数据

薹-

徊l

集，索引的构建时间随着选取目标的数量关系如图5所示。

芝

星

耋

查询对象的数量／十万个

(a)Sequoia数据集中的查询时间对比

倒

霹

窨

而

谣

＼

星

害

索引的目标数量／万个

震

枷

(a)Sequoia数据集的索引构建时间对比

芝

星

茁

捌

查询对象的数量／十万个

(b)Streets数据集中的查询时间对比

蜒

霉

而

谣

一口一一：IR-TREE；一-O-一：CIR．TREE；一—*一：R．TREE。

图6 不同数据集中的查询时间对比分析

100

索引对象的数量／十万个

(b)Streets数据集的索引构建时问对比

誉70

一一[3-一：CIR—TREE；一-O-一：R-TREE；一—* ．一：IR-TREE。

意60

蜒50

图5索引构建时问对比

从图5中可以看出，当索引对象数量较少的时候，不同

算法的索引构建时间基本保持一致，传统的R树能够较快

的构建出索引结构。在索引对象数量比较多的时候，由于

IR—TREE和CIR—TREE需要对文本进行统计和比较操作，

因此会比R—TREE花费更多的时间。但是，当索引构建完

瓢

查询对象的数量／十万个

(a)Sequoia数据集中的查准率对比

成以后，利用该索引进行查询实验，对于Sequoia数据集，取

923 921，一591

查询q=(1

128．Spring，50)而对于Streets

429，34．982

数据集，取查询q一(一118．944

942。Apple

electron，50)。得到的查询时间性能分析如图6所示。

从图6中可以看出．传统的R树具有较大的时间优势，

但是由于缺乏文本的对比分析，因此查准率非常低。而语义

R树虽然在时间上比IR树和R树要稍高，例如在6万个对

象数量的时候，对于Sequoia数据集，基于语义R树的查询

算法所用的平均查询时间比其他两个算法分别高出11％

和28％。且都在15 ms以内，对用户来讲区别并不大，但是

查询的平均准确率却提高了36％和85％，如图7所示。因

此，基于语义分类的空间资源索引结构，对于查询准确率要

求较高的查询请求，语义R树的建立对于空间数据查询具

有很大的意义。

摹

＼

魁

冀

露

查询对象的数量／十万个

(b)Streets数据集中的查准率对比

—-口—一：IR-TREE；一—◇一：CIR—TREE；一÷ }一：R—TREE。

图7不同数据集中的查准率对比分析

万方数据

· 178·

系统工程与电子技术

第36卷

most

rel

G，Jensen

S，Wu D．Efficient retrieval of the

[9]Cong

tol>k

结束语

evant

Web

Database Endow—

objects[J]．The Very Large

spatial

ment，2009，2(1)：337—348．

物联网中的“物物相连”的思想在给人们带来巨大的方

[10]Cao X，Cong G，Jensen

S．Retrieving top

prestige—based

便的同时，也给科技工作者提出了巨大的挑战，其中之一就

relevant

web

Database En

spatial

objects[J]．TheVery Large

dowment，2010，3(1／2)：373—384．

J，Xu J．DESKS：direction—aware

是在如此海量的、复杂的物体网络中如何去寻找人们最想

要得到的资源。

[11]1．i G，Feng

searchEC]／／Proc．of

spatial keyword

针对该问题，空间资源查询首先需要对大量的空间资

源建立有效的索引。本文对空间资源的索引构建过程进行

改进，在索引树的分离过程中引入语义分类方法，使得空间

查询树的索引结构中包含语义的信息，支持用户的语义查

询，在查询时间并无明显变化的基础上，较大程度地提高了

用户对于空间资源查询的查准率，取得了很好的效果。

the 28th IEEE

International(、o”fefence

on Data

Engineering，2012：474—485．

S．et a1．Collective

[1 2]Cao x．CongG，Jensen

querying[C]If Proc．of

spatial keyword

the ACM International Con

lerence

Data，2011：373—384．

Management of

a1．Novel

W，et

struc

W，Huo

[13]Wang

z，Wang

ontological

ture for semantic

andElec

Engineering

retrieval[J]．Systems

在未来的工作中，需要考虑到资源具备的时间特征和

移动特征，考虑在时间约束条件下的动态资源索引和查询

过程。

tronics，2010，32(1)：166—1 74．(十l洪伟，霍佳震，王伟，等．

衙向语义检索应用的本体模型结构设计[J]．系统I：程与电子

技术，2010，32(1)：166一174．)

index structures for 10—

[1 4]Zhou Y，Xie X，Wang C，eta1．Hybrid

参考文献：

Web _search[C]}f

1 4tb ACM Interna

cation based

tional

Proc．ofthe

N，et a1．R-

[I]Manolopoulos Y，Nanopoulos A，Papadopoulos

and

Knowledge Manage

Conference

Information

trees

and

theory

applications[M]．London：Springer．2006．

merit，2005：1 55—162．

I．，Xiao D，et a1．Shortest

ristidis

search on spatial

D．H

V，Rishe

[2]Felipe

N．Keyword

anddistance

que

[1j]Wu

x，Deng

path

the 24th International

on Da

tabases[C]If Proc．of

ConfeFence

ries on road networks：an

experimental evaluation[J]．The

Engineering，2008：656—665．

Database Endowment，2012．5(5)：406—417．

Very Large

semantic loca

significant

G．Jensen

[3]Cao x．Cong

S．Mining

linear node

for

H，Tan C．New

[1 6]Ang

trees[C]I}Proc．of

337

splitting algorithm

tions from GPS

data[J]．The Very Large

201 0．3(1／2)：1009—1020．

Database Endowment，

the Advances in

Databases。1997

Spatial

349．

H，()oi

C．et a1．Efficient

[4]Cong(j，I。u

spatial keyword

names

r1 7]Hollowed．gr．California place

httpl{{ⅦⅦⅦ．rtreeportal．org．

Sequoia．[201 3—06—21]．

^trajectory databases[c]∥Proc．of

the 28th International

Data

989．

Bases，2012：977

K．IR tree—an

Conyeremr(in Very Large

Wordnet as a

base for meas—

knowledge

[1 8]Rarchardson R．Using

semantic

Mohan

K，Yelisala H，Prasad

document

index

adept

[53

between

uring

similarity

words[R]．Technical Report

for

handling geographic

searchingEJ]．International

CA 1294，Dublin

994．

Working Paper

City University，1

Research and

2，

Applications，201

Journal of Engineering

作者简介：

马武彬(1986一)，男，博士研究生，主要研究方向为数据挖掘、信息

处理。

mail：mawubin417@163．corn

刘明星(1986一)，男，博士研究生，主要研究方向为数据挖掘、信息

榆索。

mail：372248359@qq．corn

黄宏斌(1975一)，男，教授，博士，主要研究方向为信息处理。

mail：．edu．cn

邓苏(1963一)，男，教授，博士，主要研究方向为信息综合处理与辅

助决策。

mail：．edu．cn

万方数据

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

面向物联网的语义空间资源索引构建及其查询优化算法

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页