Formally, given a keyword query K={

Formally, given a keyword query K={k1, k2, ..., kn}
and an SI-Tree, the structural similarity between SI-Tree
and K mainly captures the compactness of SI-Tree.
Then, a more compact SI-Tree is more likely related to
K. Moreover, the compactness should consider: (1) the
compactness-based distance, i.e., the distance between
any node and the root of SI-Tree; (2) the phrase-based
distance, i.e., the distance between any two keywords;
and (3) the size of SI-Tree, i.e., the number of nodes
involved in SI-Tree. The compactness-based distance
represents the compactness of SI-Tree. The phrase-
based distance represents the relationships between
two keywords and weights the keywords with smaller
distances, especially keywords in the same node rep-
resenting a phrase. The size of SI-Tree is used to nor-
malize the overall structural similarity, since more
nodes in SI-Tree means that it more likely contains
more keywords. In addition, a larger compact-
ness-based distance means that SI-Tree is less compact,
and therefore less likely to be related to K. Then,

ผลลัพธ์ (ไทย) 1:

อย่างเป็นทางการ ได้รับแบบสอบถามคำ K = {k1, k2,..., kn } และมีศรี ต้นไม้ โครงสร้างความเหมือนระหว่างต้นศรี และ K ส่วนใหญ่จับกะทัดรัดของต้นศรี แล้ว ศรีต้นไม้ขนาดกะทัดรัดมากขึ้นมีแนวโน้มที่เกี่ยวข้องกับ เคนอกจากนี้ ความกะทัดรัดที่ควรพิจารณา: (1) การ ความกะทัดรัดตามระยะทาง เช่น ระยะห่างระหว่าง โหนและรากของต้นไม้ศรี (2) การใช้วลี ระยะทาง เช่น ระยะห่างระหว่างคำหลักสอง และ (3) ขนาดของซี-ทรี เช่น หมายเลขของโหน เกี่ยวข้องในแผนภูมิศรี ระยะทางจากความกะทัดรัด แสดงถึงความกะทัดรัดของต้นศรี วลี- ระยะทางตามที่แสดงถึงความสัมพันธ์ระหว่าง คำสำคัญสองคำสำคัญกับน้ำหนักขนาดเล็ก ระยะทาง คำสำคัญโดยเฉพาะอย่างยิ่งใน rep โหนเดียว-resenting วลี ขนาดของต้นไม้ศรีจะใช้ หรือ -malize โครงสร้างโดยรวมคล้ายคลึง ตั้งแต่เพิ่มเติม โหนดในทรีซีหมายความ ว่า มันมีแนวโน้มประกอบด้วย คำสำคัญเพิ่มเติม นอกจากนี้ ขนาดใหญ่-ระยะทางสบาย ๆ ตามหมายความ ว่า ต้นไม้ศรีน้อยขนาดกะทัดรัด และดังนั้นจึงมีโอกาสน้อยที่จะเกี่ยวข้องกับเค แล้ว

ผลลัพธ์ (ไทย) 2:

อย่างเป็นทางการได้รับการสืบค้นคำหลัก K = {K1, K2, ... , KN}
และ SI-ต้นไม้, ความคล้ายคลึงกันระหว่างโครงสร้าง SI-ต้นไม้
และ K ส่วนใหญ่จับเป็นปึกแผ่นของ SI-ต้นไม้.
จากนั้น SI- ขนาดกะทัดรัดมากขึ้น ต้นไม้มีแนวโน้มที่เกี่ยวข้องกับ
เค นอกจากนี้ยังมีความเป็นปึกแผ่นควรพิจารณา: (1)
ระยะทางปึกแผ่น-based เช่นระยะห่างระหว่าง
โหนดใด ๆ และรากของ SI-ต้นไม้; (2) วลีตาม
ระยะคือระยะห่างระหว่างสองคำหลัก;
และ (3) ขนาดของ SI-ต้นไม้คือจำนวนโหนดที่
มีส่วนร่วมใน SI-ต้นไม้ ระยะทางที่เป็นปึกแผ่นตาม
แสดงให้เห็นถึงความเป็นปึกแผ่นของ SI-ต้นไม้ วลี
ระยะทางตามที่แสดงถึงความสัมพันธ์ระหว่าง
สองคำและน้ำหนักคำหลักที่มีขนาดเล็ก
ระยะทางโดยเฉพาะอย่างยิ่งคำหลักในโหนดเดียวกัน rep-
ขัดขืนวลี ขนาดของ SI-ต้นไม้จะใช้ในการ nor-
malize ความคล้ายคลึงกันของโครงสร้างโดยรวมตั้งแต่เพิ่มเติม
โหนดใน SI-ต้นไม้หมายความว่ามันมีแนวโน้มที่มี
คำหลักเพิ่มเติม นอกจากนี้ compact- ขนาดใหญ่
ระยะทาง Ness ตามหมายความว่า SI-ต้นไม้มีขนาดเล็กน้อย
และดังนั้นจึงมีโอกาสน้อยที่จะเกี่ยวข้องกับเคแล้ว

ผลลัพธ์ (ไทย) 3:

อย่างเป็นทางการได้รับการสอบถาม K = { K1 , K2 , . . . , KN }และเป็นจังหวัดต้น ความเหมือนระหว่างจังหวัด โครงสร้างต้นไม้และ K ส่วนใหญ่รวบรวมความเป็นปึกแผ่นของศรีไม้แล้วต้นไม้ศรีกระชับมากขึ้นมีแนวโน้มที่เกี่ยวข้องกับK . ยิ่งไปกว่านั้น , แข็งควรพิจารณา ( 1 )กล่าวตามระยะ เช่น ระยะระหว่างโหนดใด ๆและรากของต้นศรี ( 2 ) วลีตามระยะทาง คือ ระยะห่างระหว่างสองคําสําคัญและ ( 3 ) ขนาดของจังหวัด ต้นไม้ เช่น จำนวนของโหนดที่เกี่ยวข้องในจังหวัด ต้นไม้ การกล่าวตามระยะทางแสดงถึงความเป็นปึกแผ่นของศรีไม้ วลีตามระยะที่แสดงถึงความสัมพันธ์ระหว่าง2 คำหลักและคำหลักที่มีขนาดเล็กน้ำหนักระยะทาง โดยเฉพาะอย่างยิ่งคำหลักในโหนดเดียวกัน - ตัวแทนการโกรธของวลี ขนาดของต้นไม้ที่ใช้ หรือ - ซีmalize ความเหมือนเชิงโครงสร้างโดยรวม เนื่องจาก เพิ่มเติมโหนดในต้นไม้หมายความว่าจังหวัดมีแนวโน้มประกอบด้วยคำหลักเพิ่มเติม นอกจากนี้ ขนาดเล็ก - ขนาดใหญ่ระยะทางจากเนสหมายความว่าศรี ต้นไม้มีขนาดเล็กน้อยและดังนั้นจึงไม่น่าจะเกี่ยวข้องกับคุณแล้ว