半結構化數(shù)據(jù)的聚類研究及在產(chǎn)品設計中的應用.pdf

1、隨著計算機網(wǎng)絡以及數(shù)據(jù)庫技術的快速發(fā)展，各領域積累的半結構化數(shù)據(jù)和信息急劇增加，迫切需要面向知識發(fā)現(xiàn)的方法，而數(shù)據(jù)挖掘的出現(xiàn)與應用，為這一目的提供了強大的工具。通過利用半結構化數(shù)據(jù)的內容和結構信息，配合數(shù)據(jù)挖掘算法，可以從大量半結構化數(shù)據(jù)中提取用于描述結構特征以及內容的信息，并進行綜合以對半結構化數(shù)據(jù)進行深層次的潛在知識發(fā)現(xiàn)，而發(fā)現(xiàn)的知識能為決策者提供良好的數(shù)據(jù)支持。
　　半結構化數(shù)據(jù)有很多類型，而其中XML文檔是半結構化數(shù)據(jù)的典

2、型代表，所以本文以XML文檔作為半結構化數(shù)據(jù)研究對象，并討論基于XML產(chǎn)品設計文檔的聚類方法。XML文檔是結構信息和內容信息的綜合體，因此對XML文檔的聚類處理需要考慮XML文檔的結構信息和內容信息。XML文檔聚類的過程主要為：文檔表示、相似度計算以及聚類處理。本文也從這三個過程對XML文檔聚類進行分析研究。
　　第一、對XML文檔一般的表示方法樹形結構和樹路徑集合的優(yōu)缺點進行分析總結。分析XML文檔特征，在前人提出的基于層次的表

3、示方法的基礎上，對該方法作了改進，定義了信息表達式，加入了文本內容，父節(jié)點以及層次信息，使信息表示更完整和精確。
　　第二、在XML文檔相似度計算階段，為了充分考慮XML文檔標簽的信息，加入標簽的語義信息，并基于語義詞典計算它們的語義相似度。對于基于XML的產(chǎn)品設計文檔，一般語義詞典缺乏相關領域專業(yè)術語，對此，本文通過加入領域專業(yè)術語詞典對標簽語義的相似度計算進行擴展。同時，不同XML文檔中擁有相同子節(jié)點的父節(jié)點表示的信息有可能不

4、一致，以致影響相似度的計算結果。根據(jù)分析基于XML的產(chǎn)品設計文檔的特點，可以將父節(jié)點的信息進一步抽象化，用更抽象化的節(jié)點信息來取代。因此，為了解決這一問題，在構建信息表達式階段，加入專業(yè)術語詞典對非專業(yè)術語的節(jié)點進行約簡。
　　第三、介紹分析了凝聚層次聚類以及建立了基于XML的產(chǎn)品描述文檔的聚類模型，并對其進行了設計與實現(xiàn)，并將這個聚類模型應用于機械傳動設計中，得到了理想的結果，同時與基于樹路徑集合表示方法的聚類結果相對比，也得到