關(guān)系數(shù)據(jù)庫(kù)中XML數(shù)據(jù)挖掘技術(shù)研究與實(shí)現(xiàn).pdf

1、可擴(kuò)展標(biāo)記語(yǔ)言(eXtensibleMarkupLanguage,XML)已成為Web上表示信息和交換數(shù)據(jù)的標(biāo)準(zhǔn)格式。隨著Internet的高速發(fā)展,XML數(shù)據(jù)的數(shù)量也正在呈指數(shù)級(jí)增長(zhǎng)。而XML信息的大量涌現(xiàn),使得人們開始關(guān)注兩大熱點(diǎn)問(wèn)題,即如何有效地存儲(chǔ)管理XML數(shù)據(jù)以及如何從海量文檔中提取有價(jià)值的信息。于是,在傳統(tǒng)關(guān)系數(shù)據(jù)庫(kù)中存儲(chǔ)XML文檔成為了一種大趨勢(shì),它可以直接利用關(guān)系數(shù)據(jù)庫(kù)所帶有的存儲(chǔ)管理等技術(shù)對(duì)XML數(shù)據(jù)進(jìn)行處理,從而彌補(bǔ)

2、XML在數(shù)據(jù)處理能力上的局限性。而另一方面,XML數(shù)據(jù)挖掘又是知識(shí)發(fā)現(xiàn)技術(shù)在XML領(lǐng)域的重要應(yīng)用,所以,如何將兩者有效地結(jié)合起來(lái),既實(shí)現(xiàn)XML文檔的數(shù)據(jù)挖掘又借助關(guān)系數(shù)據(jù)庫(kù)在數(shù)據(jù)處理能力方面的優(yōu)勢(shì),就成為了一個(gè)有價(jià)值的研究方向。本文的主要工作即在關(guān)系數(shù)據(jù)庫(kù)存儲(chǔ)的基礎(chǔ)之上實(shí)現(xiàn)對(duì)XML文檔的數(shù)據(jù)挖掘。
　　 XML文檔的數(shù)據(jù)挖掘分為結(jié)構(gòu)挖掘和內(nèi)容挖掘,其中結(jié)構(gòu)挖掘是內(nèi)容挖掘的基礎(chǔ)。在XML文檔的結(jié)構(gòu)挖掘中,聚類分析是最常用的挖掘方法

3、之一。而XML數(shù)據(jù)的預(yù)處理和XML文檔的相似度計(jì)算是進(jìn)行XML文檔聚類的基礎(chǔ),能對(duì)聚類結(jié)果產(chǎn)生重要影響。
　　 本文首先介紹了一種無(wú)縫集成關(guān)系數(shù)據(jù)庫(kù)的XML存儲(chǔ)方案XR-Store,并在其基礎(chǔ)上對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。XR-Store完整地保留了XML文檔的結(jié)構(gòu)特征,為結(jié)構(gòu)相似度的計(jì)算以及文檔的結(jié)構(gòu)聚類提供了良好的基礎(chǔ)。其次,本文采用了雙向路徑約束(BidirectionalPathConstraints,BPC)模型,并給出了基于該

4、模型的結(jié)構(gòu)相似度計(jì)算方法,它綜合考慮了祖先路徑約束和孩子路徑約束對(duì)相似度的影響,更加全面地描述了XML文檔結(jié)構(gòu)特征對(duì)相似度的影響。最后,本文實(shí)現(xiàn)了基于關(guān)系數(shù)據(jù)庫(kù)存儲(chǔ)的k-中心點(diǎn)聚類算法,它利用基于BPC模型的相似度計(jì)算方法,在經(jīng)典k-中心點(diǎn)算法的基礎(chǔ)之上,采用了最大最小原則進(jìn)行參數(shù)k的選取和k個(gè)初始中心點(diǎn)的確定并提出了重新確定簇中心點(diǎn)的方法,與經(jīng)典算法相比,大大降低了聚類結(jié)果的不確定性。實(shí)驗(yàn)結(jié)果表明,基于關(guān)系存儲(chǔ)的k-中心點(diǎn)聚類算法的聚