基于擴(kuò)展鄰接矩陣的XML文檔結(jié)構(gòu)及語(yǔ)義相似性計(jì)算方法.pdf

1、現(xiàn)今，網(wǎng)絡(luò)數(shù)據(jù)不斷激增，這其中大多數(shù)數(shù)據(jù)是半結(jié)構(gòu)化的，半結(jié)構(gòu)化數(shù)據(jù)的結(jié)構(gòu)類似于圖或樹(shù)，通常稱為有向標(biāo)記圖。怎樣才能在這些海量的半結(jié)構(gòu)化數(shù)據(jù)中找到我們需要的數(shù)據(jù)甚至如何從中挖掘出一些我們不曾了解的隱藏信息成為數(shù)據(jù)挖掘的一個(gè)新的研究方向。半結(jié)構(gòu)化數(shù)據(jù)有很多種表現(xiàn)形式，XML文檔是其中很重要的一種。因此在這個(gè)研究方向中，如何能量化兩個(gè)XML文檔的相似性是一個(gè)關(guān)鍵，特別是兩個(gè)XML文檔的結(jié)構(gòu)和語(yǔ)義相似性。
　　 XML不僅可以描述結(jié)構(gòu)化

2、數(shù)據(jù)，還具有描述半結(jié)構(gòu)化數(shù)據(jù)的能力。目前，它是處理半結(jié)構(gòu)化文檔的最有力的工具。XML文檔的相似性計(jì)算在XML數(shù)據(jù)的近似搜索和文檔分類方面有非常重要的作用。一些XML相似性計(jì)算方法已經(jīng)被前人提出，例如編輯距離等，然而，很少有方法能夠簡(jiǎn)潔的描繪出XML文檔的結(jié)構(gòu)及語(yǔ)義信息，進(jìn)而有效的計(jì)算XML文檔間的相似性。本文提出一種新的基于擴(kuò)展鄰接矩陣的XML文檔結(jié)構(gòu)及語(yǔ)義相似性測(cè)度方法。
　　 首先，本文介紹了數(shù)據(jù)挖掘概念及文檔相似性計(jì)算產(chǎn)生

3、的背景與意義、XML文檔概念與特點(diǎn)以及傳統(tǒng)的XML文檔相似性計(jì)算方法等。
　　 其次通過(guò)深度搜索和區(qū)間編碼技術(shù)對(duì)文檔結(jié)構(gòu)信息進(jìn)行編碼，參考鄰接矩陣的概念提出本文相似性計(jì)算方法的核心擴(kuò)展鄰接矩陣，不同于普通的鄰接矩陣，在擴(kuò)展鄰接矩陣中，結(jié)構(gòu)信息不僅僅是指鄰接的層，還包含了祖先-子孫之間的關(guān)系。為了計(jì)算兩個(gè)文檔間的相似性，本文提出的方法首先會(huì)將兩篇XML文檔的結(jié)構(gòu)和語(yǔ)義信息存儲(chǔ)在兩個(gè)擴(kuò)展鄰接矩陣(M1，M2)中，然后通過(guò)cos(M1