基于三角不等式的XML文檔相對密度聚類.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)迅猛發(fā)展,XML文檔由于其自身的自描述性、半結(jié)構(gòu)化、可擴展性等特點,已經(jīng)成為當今網(wǎng)絡(luò)時代的信息載體與交換方式,一個高效、快速的XML文檔聚類機制將會極大縮短信息檢索的時間,提高數(shù)據(jù)查詢的效率,挖掘出潛在的信息價值,能夠為決策提供更好的數(shù)據(jù)支持。因此XML文檔聚類研究已經(jīng)成為一個新的研究熱點。實現(xiàn)快速有效的XML文檔聚類,必須解決兩個關(guān)鍵性問題,其一,得到一個準確的文檔間相似性度量度量方法；其二、尋求一個有效的文檔聚類方法。

2、由于XML文檔標簽可自定義,因此常出現(xiàn)同類文檔集標簽不同而意思相同的情況。
　　 本文提出了基于文檔的層次模型和特征詞向量模型的文檔相似度度量方法XSCL(XML Documents Similarity based on Content and Level),來計算文檔的結(jié)構(gòu)與內(nèi)容相似度,提高文檔間距離的計算精度,減少因誤差而產(chǎn)生的離群點。實驗結(jié)果表明,在出現(xiàn)標簽不同而意思相同的情況下,XSCL方法對文檔聚類有明顯的改善。傳統(tǒng)

3、的密度算法DBSCAN算法的參數(shù)輸入敏感,參數(shù)值難以設(shè)置,實用性差。相對密度聚類算法RDBClustering算法通過計算k近鄰的分布情況,來判斷對象是否在同一個簇,減少了參數(shù)的輸入。但計算k近鄰時,需要遍歷整個文檔集,在數(shù)據(jù)集龐大的情況下,I／O消耗巨大。因此,本文提出改進的相對密度聚類算法XTIRDB(XML Doeumem Relatived Clustering by Means of the TriangleInequalit