基于任务间关系的文件搜索方法

### 基于任务间关系的文件搜索方法 #### 1. 引言 在文件搜索领域，传统的全文搜索方法存在一定局限性，例如iMecho方法虽能生成文件间的IAA链接，但未考虑任务间关系，且其排名分数定义方式使其无法将全文搜索结果扩展到非文本文件。而SUGOI（Search by Utilizing Groups Of Interrelated files in a task）通过引入“任务”概念，利用文件访问日志挖掘任务及任务间关系，能够有效扩展全文搜索结果。 #### 2. 提出的方法 ##### 2.1 整体流程 SUGOI的整体流程如下： 1. 在搜索前，将相关文件聚类为任务，并通过文件访问日志发现任务间的关联。 2. 利用任务和任务间关系扩展传统关键词搜索引擎的结果。 3. 系统在文件系统上放置访问监视器，记录文件访问日志，包括访问时间、客户端信息、目标文件路径和操作。 4. 清理日志后，提取语义文件组作为任务，并建立任务间的加权链接。 5. 根据用户搜索请求，结合任务上下文和传统全文搜索结果计算任务分数。 ```mermaid graph LR A[开始] --> B[记录文件访问日志] B --> C[日志清理] C --> D[提取任务] D --> E[建立任务间加权链接] E --> F[用户搜索请求] F --> G[结合上下文和全文搜索结果计算任务分数] G --> H[输出搜索结果] H --> I[结束] ``` ##### 2.2 任务挖掘 任务挖掘的目的是将与同一任务相关的文件分组，提取两种类型的任务：FI任务和RMC任务。 - **FI任务挖掘**：FI任务（Frequent Itemset task）由并发访问的文件构建。相关文件在短时间内倾向于频繁访问，例如用户写文章时会同时编辑TeX文件、EPS文件并生成PDF文件。具体步骤如下： 1. 将文件访问日志按一定时长（TransactionTime）拆分为多个事务。 2. 对事务集应用Eclat算法挖掘频繁模式，该算法能找出出现频率大于最小支持值的项集。 3. 确定最小支持计数（MinSuppCnt）提取频繁项集，最后提取最大频繁项集作为FI任务。 - **RMC任务挖掘**：假设短时间内一起进行RMC（重命名、移动、复制）操作的文件与过去完成的任务相关，将此类文件组提取为RMC任务。具体做法是将访问日志划分为多个相同长度的时间窗口，仅提取RMC操作的目标文件。 ##### 2.3 任务间关系 通过考虑任务间的重叠和RMC操作，提出了计算任务相似性链接和RMC链接权重以及任务间相关性的公式。 - **相似性链接分析**：假设强关联的任务使用大量共同文件，基于每个任务中重复文件的数量对任务间的相似性链接进行加权。相似性链接权重公式为： \[sim(t_i \to t_j) = \frac{|t_i \cap t_j|}{|t_i|}\] 其中，\(t_i\)和\(t_j\)分别表示任务\(i\)和任务\(j\)的文件集。 - **RMC链接分析**：用户进行RMC操作可表达任务间的强关系，通过检测不同任务间的RMC操作建立任务的RMC链接。引入\(rmcf(f_m \to f_n)\)表示由RMC操作引起的从文件\(m\)到文件\(n\)的权重： \[rmcf(f_m \to f_n) = \begin{cases} \alpha_1 & \text{if } f_m \text{ was renamed as } f_n \\ \alpha_2 & \text{if } f_m \text{ was renamed from } f_n \\ \beta_1 & \text{if } f_m \text{ was moved to } f_n \\ \beta_2 & \text{if } f_m \text{ was moved from } f_n \\ \gamma_1 & \text{if } f_m \text{ was copied to } f_n \\ \gamma_2 & \text{if } f_m \text{ was copied from } f_n \\ 0 & \text{otherwise} \end{cases} \] 同时，考虑到RMC操作后文件内容可能因重复编辑而与原文件不同，引入了基于经过时间、写操作频率和文件大小变化的减少公式： \[T(f_m, f_n) = \Delta time(f_m, f_n) - \tau\] \[E(f_m, f_n) = \Delta edit(f_m, f_n) - \epsilon\] \[S(f_m, f_n) = \Delta size(f_m, f_n) - \sigma\] RMC链接权重计算公式为： \[rmc(t_i \to t_j) = \sum_{(f_m,f_n) \in (t_i,t_j)} rmcf(f_m \to f_n) * T(f_m, f_n) * E(f_m, f_n)