在讨论的这篇论文中，作者马庆和李巍海专注于P2P网络环境下基于查询的聚类算法，特别是提出了一个名为QDC（Query-Directed Clustering）的算法。这一研究的背景是基于分布式哈希表（Distributed Hash Table，简称DHT）的P2P网络中，由于数据通过一致性哈希随机分散，给复杂查询带来了难题。这导致了查询效率低下，尤其当进行多关键词搜索时，需要访问大量的节点才能获得满意结果。
为了改善这一问题，论文中提出了QDC算法，该算法利用历史查询向量集合作为聚类的依据。使用向量空间模型（Vector Space Model，简称VSM）来描述文档和查询向量，并通过排序来实现高效的多关键词查询。VSM是一种用于信息检索的数学模型，它可以将文档和查询表达为向量形式，并通过计算向量之间的相似度来进行文档排名。
在具体操作上，QDC算法采用Chord协议来组织网络中的节点。每个节点不但需要维护一个文档关键词向量集合和文档索引集合，同时还需要记录历史查询向量集合。这些历史查询向量集合能够随着查询的进行对网络中的相关文档进行动态聚类，支持多关键词查询，并能按照文档与搜索请求的相似度对文档结果集进行排序。
算法的流程设计包括以下几个关键步骤：
1. 当源节点发起搜索请求时，首先构造查询向量。例如，根据Chord协议，查询向量中前三个关键词k1,k2,k3所对应的后继节点分别为N1，N2，N3。然后源节点将查询向量q发送到这三个节点。
2. 目的节点在接收到查询后，会在本地数据集上按照查询向量进行搜索，并对搜索到的文档集按照相似度进行排序。相似度超过阈值Tsim的文档子集被返回给源节点。
3. 源节点收到各目的节点返回的结果后，会再次将结果集中的文档按照相似度进行排序。如果相似度超过Tsim的文档数达到了要求，那么搜索完成，不再等待其他节点的查询结果。否则，源节点会继续等待其他节点的查询结果，直到所有目的节点都完成查询。
4. 在目的节点中，如果该查询向量在历史查询向量集中已存在，则会更新此向量中每个关键词的访问频率。如果不存在，则将查询向量添加到向量集中，并初始化访问频率。
5. 目的节点更新访问频率后，会根据某个后继节点（例如N1）来主动从其他节点获取与关键词相关的文档。通过这种机制，每个节点能根据查询向量对文档进行聚类，从而使得单一节点上的存储数据能够支持多关键词的复杂搜索请求。
通过这种设计，QDC算法能够有效减少查询过程中访问节点的数量，缩短查询时间，并减少网络中的消息传输。这种算法的提出对于改善P2P网络中进行复杂查询的效率具有重要意义，并且为P2P网络的优化提供了新的思路。
此外，论文还提到了其他一些用于提高P2P系统查询效率的方法，如pSearch的使用VSM和LSI（隐语义索引）模式，PlanetP的使用倒排索引和BloomFilter进行多关键字查询，以及使用相似性保留哈希和随机取样法等。这些方案都试图利用不同的技术来解决多关键词复杂查询的难题，但每种方案都有其局限性和可能引入的网络开销。
本文的核心内容集中在P2P网络中查询效率提升方法的研究，尤其是提出的QDC算法，该算法通过历史查询向量集的使用，结合VSM模型，实现了一种在现有Chord协议基础上支持多关键词查询的聚类机制。这种方法不仅增强了P2P网络的搜索能力，而且在减少网络负载和提高查询效率方面显示出潜在的优势。
