基于結(jié)構(gòu)向量空間和樹路徑模型的XML文檔聚類技術(shù)研究.pdf

1、XML(eXtensible Markup Language)是可擴(kuò)展置標(biāo)語(yǔ)言,在網(wǎng)絡(luò)和其他領(lǐng)域的數(shù)據(jù)表示與交換方面顯示出強(qiáng)大的數(shù)據(jù)表達(dá)能力?，F(xiàn)在,越來(lái)越多的數(shù)據(jù)以XML文檔進(jìn)行存儲(chǔ),XML文檔的數(shù)據(jù)挖掘技術(shù)在理論與實(shí)踐方面成為研究的熱點(diǎn)。由于XML文檔具有復(fù)雜性、異構(gòu)性、半結(jié)構(gòu)化的特點(diǎn),傳統(tǒng)的面向關(guān)系型數(shù)據(jù)的挖掘技術(shù)無(wú)法直接應(yīng)用,探索有效的XML數(shù)據(jù)挖掘技術(shù)成為數(shù)據(jù)挖掘領(lǐng)域的一項(xiàng)重要研究課題。 目前,國(guó)內(nèi)外XML文檔數(shù)據(jù)挖掘技

2、術(shù)主要分為文檔內(nèi)容挖掘和文檔結(jié)構(gòu)挖掘。XML內(nèi)容挖掘本質(zhì)上是對(duì)標(biāo)記值的挖掘,可以對(duì)單個(gè)或群組XML文檔進(jìn)行挖掘。XML的元素標(biāo)記和嵌套關(guān)系表示XML文檔的結(jié)構(gòu),結(jié)構(gòu)挖掘?qū)嶋H操作是將XML文檔的結(jié)構(gòu)看作一棵標(biāo)記樹,在此基礎(chǔ)上對(duì)樹的挖掘。 本文主要研究XML文檔結(jié)構(gòu)的聚類技術(shù)。通過研究發(fā)現(xiàn),傳統(tǒng)相似度計(jì)算方法不能滿足嵌套結(jié)構(gòu)的語(yǔ)義要求,樹路徑模型的聚類算法存在忽略兄弟節(jié)點(diǎn)之間關(guān)系和未考慮路徑權(quán)重以及路徑匹配方法等問題。為解決上述問題

3、,本文設(shè)計(jì)了一個(gè)新的XML文檔聚類方法:XML文檔兩階段聚類方法(TPCM：Two Phase Clustering Method of XML Documents),主要研究成果如下： 1、采用XSLT生成XML文檔結(jié)構(gòu)框架的簡(jiǎn)化樹,改進(jìn)XML文檔結(jié)構(gòu)向量定義和XML文檔結(jié)構(gòu)相似度計(jì)算公式,對(duì)XML文檔集合進(jìn)行第一階段聚類。 2、針對(duì)樹路徑模型的相似度算法存在的問題,提出改進(jìn)的XML文檔樹路徑模型,改進(jìn)了路徑之間相似度