بهینه سازی چهارچوب مدل ذخیره سازی اسناد بزرگ XML با استفاده از مدل های زبانی بزرگ

با گسترش داده های ساختاریافته در قالب XML و افزایش حجم اطلاعات در وب نیاز به روش های نوین ذخیره سازی و جستجوی معناگرا بیش از پیش احساس می شود. در این پژوهش مدلی مبتنی بر «مدل های زبانی بزرگ (LLM) و زبان برنامه نویسی پایتون ارائه شده است که با بهره گیری از بردارسازی معنایی (Semantic Embedding) و پایگاه داده برداری FAISS، به بهینه سازی ذخیره سازی و بازیابی اسناد بزرگ XML می پردازد. هدف اصلی، کاهش حجم داده ها، افزایش سرعت پردازش، بهبود امنیت و ارتقای قابلیت جستجوی معنایی در مقایسه با روش های سنتی مانند Xpath و Xquery است. برای ارزیابی عملکرد مدل آزمایش هایی در سه سطح (۱۰۰، ۱۰۰۰ و ۵۰۰۰) منبع انجام شد و نتایج با روش EXI مقایسه گردید. نتایج نشان داد مدل پیشنهادی علاوه بر حفظ دقت و ثبات توانسته است پیچیدگی و حجم فایل های XML را به طور قابل توجهی کاهش دهد و زمان پاسخ دهی به کوئری ها را بهبود بخشد. همچنین رمزنگاری ایندکس های FAISS موجب افزایش امنیت داده ها بدون تحمیل سربار پردازشی چشمگیر شد. در مجموع این مدل با ترکیب توانایی های LLM و ساختار برداری، بستری کارآمد برای ذخیره سازی، تحلیل و جستجوی معناگرای اسناد XML فراهم کرده است که می تواند زمینه ساز توسعه سامانه های هوشمندتر در حوزه های مرتبط با داده های وب باشد.

کلیدواژه ها:

مدل زبانی بزرگ (LLM) ، XML ، ذخیره سازی ، FAISS