عملكرد و بهينه سازي كشف الگوهاي پرس و جوهاي مكرر در اسناد XML

ﺑﻨﯿﺎن اﺻﻠﯽ ﭘﺮدازش و ﺑﻬﯿﻨﻪﺳﺎزي اﻟﮕﻮﻫﺎي ﭘﺮسوﺟﻮﻫﺎي ﻣﮑﺮر XML ﺑﺮ ﻣﺒﻨﺎي ﺳﺎﺧﺘﺎر درﺧﺘﯽ آن ﺑﻨﺎ ﺷﺪه اﺳﺖ و اﯾﻦ ﺑﺪان ﻣﻌﻨﯽ اﺳﺖ ﮐﻪ ﺳﺎﺧﺘﺎر و ﻣﺤﺘﻮا در اﯾﻦ ﺳﻨﺪﻫﺎ در ﮐﻨﺎر ﯾﮑﺪﯾﮕﺮ ﻫﺴﺘﻨﺪ. ﺑﺎ اﻓﺰاﯾﺶ ﭼﺸﻤﮕﯿﺮ اﺳﻨﺎد XML اﻫﻤﯿﺖ ﭘﺮدازش ﺑﻬﺒﻮد ﭘﺮسوﺟﻮﻫﺎي XML ﺑﯿﺸﺘﺮ ﺑﻪ ﭼﺸﻢ ﻣﯽﺧﻮرد .اﻏﻠﺐ روشﻫﺎي ﮐﺎوش ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ در ﻣﺮﺣﻠﻪ اول ﮐﺎر ﺧﻮد ﮐﻠﯿﻪ اﻗﻼم ﭘﺮﺗﮑﺮار را از ﺑﯿﻦ ﺗﻤﺎم اﻗﻼم ﻣﻮﺟﻮد در دادهﻫﺎ ﺟﺴﺘﺠﻮ ﻣﯽﮐﻨﻨﺪ ﮐﻪ اﯾﻦ اﻣﺮ ﻧﯿﺎزﻣﻨﺪ ﺧﻮاﻧﺪن ﻣﮑﺮر ﮐﻞ داده ﻫﺎ از ﺣﺎﻓﻈﻪ اﺳﺖ. اﻟﮕﻮرﯾﺘﻢ ﻫﺎي زﯾﺎدي ﺑﺮاي ﮐﺸﻒ ﻗﻮاﻧﯿﻦ اﻧﺠﻤﻨﯽ ﺗﺎﮐﻨﻮن اراﺋﻪ ﺷﺪه اﻧﺪ. ﺑﺨﺶ ﻋﻤﺪه و ﻧﺴﺒﺘﺎ زﻣﺎﻧﮕﯿﺮ در اﮐﺜﺮ اﻟﮕﻮرﯾﺘﻢ ﻫﺎي ﻣﻮﺟﻮد از ﺟﻤﻠﻪ ﺳﻪ روش ﻣﺪ ﻧﻈﺮ در اﯾﻦ ﻣﻘﺎﻟﻪ )TOP-K , FP-Growth ، Apriori( ، ﺟﺴﺘﺠﻮي اﻗﻼم ﭘﺮ ﺗﮑﺮار اﺳﺖ. ﺑﺮاي ﺑﻬﯿﻨﻪ ﺳﺎزي اﯾﻦ ﻓﺮاﯾﻨﺪ اﻟﮕﻮرﯾﺘﻢ ﻫﺎي ﭘﯿﺸﻨﻬﺎد ﺷﺪه روﯾﮑﺮدﻫﺎي ﻣﺘﻔﺎوﺗﯽ دارﻧﺪ. ﺗﻼش ﺑﺴﯿﺎري از روﺷﻬﺎ ﺑﺮ ﮐﺎﻫﺶ ﺗﻌﺪاد دﻓﻌﺎت ﻣﺮاﺟﻌﻪ ﺑﻪ ﺣﺎﻓﻈﻪ ﺟﻬﺖ ﺧﻮاﻧﺪن داده ﻫﺎ اﺳﺖ در اﯾﻦ ﻣﻘﺎﻟﻪ ﺳﻌﯽ ﺑﺮ اﯾﻦ ﺷﺪه ﺗﺎ ﺑﺎ ﺑﺮرﺳﯽ ﺳﻪ اﻟﮕﻮرﯾﺘﻢ ﮐﺸﻒ اﻟﮕﻮﻫﺎي ﭘﺮسوﺟﻮي ﻣﮑﺮر، آﻧﻬﺎ را از ﻟﺤﺎظ ﺳﻪ ﻣﻌﯿﺎر اﺻﻠﯽ ﺳﺮﻋﺖ، ﺣﺎﻓﻈﻪ و زﻣﺎن اﺟﺮا ﺑﺮرﺳﯽ ﻧﻤﺎﯾﯿﻢ و ﯾﮏ ﻣﻘﺎﯾﺴﻪ ﮐﻠﯽ درﺑﺎره اﻟﮕﻮﻫﺎي ﭘﺮسوﺟﻮي ﻣﮑﺮر ﻣﻄﺮح ﺷﺪه در اﺳﻨﺎد XML داﺷﺘﻪ ﺑﺎﺷﯿﻢ. ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ﺗﺤﻘﯿﻖ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ اﻟﮕﻮرﯾﺘﻢ Top-k در اﮐﺜﺮ ﻣﻮارد ﺑﺴﺘﻪ ﺑﻪ ﭘﯿﻤﺎﯾﺶ ﻧﺴﺒﺖ ﺑﻪ دو اﻟﮕﻮرﯾﺘﻢ دﯾﮕﺮ از ﻟﺤﺎظ ﻣﻌﯿﺎرﻫﺎي ذﮐﺮ ﺷﺪه ﻋﻤﻠﮑﺮد ﺑﻬﺘﺮي دارد.