论文部分内容阅读
文化的表达方式有很多种,例如音乐、图案、文字、舞蹈及语言等,文化计算需要通过数字化的方式表达文化的各种表现形式。本文通过研究音乐和图案的半结构存储方式,以及相关的数据挖掘方法,进而讨论文化计算方法及其他若干问题。本文通过研究了挖掘音乐中的频繁模式的不同方法,认为只靠乐谱频繁模式并不全能准确判断乐谱音乐的属性。现阶段,研究人员对频繁音乐模式的规模也没有统一的或被公认的标准,乐谱文档结构的多样性也在限制数据挖掘技术的应用。因此本文提出了一种基于XML半结构化技术的乐谱模型S-MusicXML。S-MusicXML能够将众多研究者最为关注的音乐基因清晰直接的描述出来,而不需要从乐谱中重新提取,进而方便数据挖掘技术的应用。随后本文针对图案数据,介绍了用于描述中国少数民族织物图案的XML数据模型,由此表明半结构化数据模型可以存储音乐和图案数据,且为其数据分析打下基础。在上述模型的研究基础上,通过分析发现半结构化的文化存储模型中存在一些能够映射文化属性的子结构,并通过与领域专家的交流,认为这些子结构中包含的内容是文化特征。由此可以说明,从半结构化的音乐和图案模型中可以提取文化基因,间接的表明了文化基因的存在性。其中分析的方法主要为音乐基因的相似度度量、图案的相似度度量Pattern similarity measure algorithm (PSMA)以及图案的分形分析。通过总结音乐和图案这两种数据类型截然不同的文化基因挖掘方法,本文提出了事件相似度度量方法ESM (Events similarity measure)和隐藏子树两个概念。由于相似度度量是通过比较数据之间的同类特征而实现的,而不同类型的数据在进行相似度比较时,很难选取到同类特征,由此导致不同数据的相似度度量存在明显的局限性。ESM通过函数的描述方式来表达任意事件,使事件之间的相似度比较转化为对两个函数形式的比较,使其成为事件相似度度量的一般化方法。本文通过多种不同类型的实例说明了通过ESM度量事件相似度的方法是可行的。本文提出隐藏子树的目的是为了挖掘半结构化文档中子树间的关联结构,并对文档主题进行分析,进而实现文化挖掘。本文利用提出的算法对网站、音乐、人工数据等不同类型的半结构化文档进行了分析和挖掘,讨论了隐藏子树作为文档主题的可靠性。实验结果表明,该主题挖掘算法在主题保持度上优于现有同类算法,且应用领域更为广泛,该方案有效可行。由于半结构化文档占用的空间较大,本文最后介绍了对半结构化文档的压缩存储方案以及对部分文化挖掘结果的存储方法,分别是动态有序树存储模型和排序序列的压缩方案CSN (Compress sequence number).本文提出动态有序树存储模型,是为了对XML文档进行压缩。由于XML可描述的文档结构更为复杂,因此所占空间较大,对XML文档进行二进制的编码压缩可以有效地减少存储空间。由于传统的编码压缩方案不利于对有序树进行操作,因此本文提出的动态有序树存储模型不仅可以对有序树进行空间高效存储,又可以实现对有序树的动态化操作。此结构将有序树的二进制编码进行分段处理,从而减少了动态化操作对编码段的修改量,并通过三重定位的方法快速选定要修改的编码段。此结构还针对有序树二进制编码后出现的节点意义丢失的问题,提出了对树进行辅助描述的节点序号表,通过节点序号表可以记录每个节点的内容及意义,进而补充了二进制编码只能表示树结构的缺点。由于相似度计算结果多为排序序列,因此本文提出了排序序列的压缩方法CSN。文中通过分析CSN的压缩原理,从理论上证明了解压算法结果的唯一性和正确性。最后通过与其他压缩方案的实验比较,表明CSN压缩算法对整数型文档具有较高的压缩率。