基于OEM模型的半結(jié)構(gòu)化數(shù)據(jù)模式抽取算法研究.pdf

1、隨著計算機技術(shù)、Intemet以及數(shù)據(jù)庫技術(shù)的飛速發(fā)展,各個領(lǐng)域產(chǎn)生的半結(jié)構(gòu)化數(shù)據(jù)和信息急劇增加。因此,為滿足數(shù)據(jù)挖掘的需求,需要設(shè)計出半結(jié)構(gòu)化數(shù)據(jù)模型,從而能夠利用模型來描述和存儲半結(jié)構(gòu)化數(shù)據(jù)的結(jié)構(gòu)信息和內(nèi)容。同時還要設(shè)計出有效的半結(jié)構(gòu)化數(shù)據(jù)模式抽取算法,從大量半結(jié)構(gòu)化數(shù)據(jù)中抽取更深層次的用于描述信息、結(jié)構(gòu)和潛在的有利用價值的模式。從而使得半結(jié)構(gòu)化數(shù)據(jù)就像傳統(tǒng)數(shù)據(jù)庫中的數(shù)據(jù)一樣,發(fā)現(xiàn)其數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)對象之間的關(guān)系,能夠利用數(shù)據(jù)結(jié)構(gòu)進行

2、有效的操作。
　　 本文首先介紹了數(shù)據(jù)挖掘和Web數(shù)據(jù)挖掘的相關(guān)概念,并對其研究現(xiàn)狀和發(fā)展做了深入的分析和總結(jié)。詳細(xì)的介紹了半結(jié)構(gòu)化數(shù)據(jù)的定義、特點以及目前主要的半結(jié)構(gòu)化數(shù)據(jù)模型,同時闡述了半結(jié)構(gòu)化數(shù)據(jù)模式抽取的概念。本文采用OEM模型來描述半結(jié)構(gòu)化數(shù)據(jù),指出了利用Apriori性質(zhì)進行剪枝的策略不適用于分支路徑中具有相同標(biāo)簽的OEM模型。為減少標(biāo)簽路徑表達(dá)式的匹配次數(shù),提高算法的效率,本文給出了一個有關(guān)OEM模型的性質(zhì)。在如何

3、存儲OEM模型的問題上,本文提出了一種新的存儲方式,采用變型的鄰接鏈表存儲方式來存儲OEM模型,能夠有效的提高半結(jié)構(gòu)化數(shù)據(jù)模式抽取的效率。
　　 本文重點研究了兩個經(jīng)典的頻繁模式挖掘算法:Apriori算法和FP-Tree頻繁模式挖掘算法,并對兩種算法的優(yōu)缺點進行了比較。在此基礎(chǔ)上,為了快速、有效和準(zhǔn)確的得到半結(jié)構(gòu)化數(shù)據(jù)的目標(biāo)模式,本文結(jié)合標(biāo)簽路徑及其相關(guān)性質(zhì),提出了一種直接從OEM模型中抽取半結(jié)構(gòu)化數(shù)據(jù)目標(biāo)模式的算法。算法的基