XML文檔的聚類研究.pdf

1、隨著互聯(lián)網(wǎng)的迅速發(fā)展，XML已經(jīng)成為互聯(lián)網(wǎng)中最常用的數(shù)據(jù)交換與存儲(chǔ)語(yǔ)言，如何從大量的XML文檔中提取有價(jià)值的信息是目前的研究熱點(diǎn)之一。
　　在XML文檔聚類方法的研究中，一種研究思路是對(duì)XML文檔的表示模型進(jìn)行改進(jìn)，以期得到更有效的XML文檔相似度計(jì)算方法。目前針對(duì)有XML文檔的相似度計(jì)算有多種模型，如SET/BAG模型、VSM模型、樹模型等，每種模型下都有多種相似度計(jì)算方法。本文介紹了文本聚類的基本知識(shí)及其應(yīng)用，分析了常用的文本

2、聚類算法及其優(yōu)缺點(diǎn)，介紹了XML文檔相似度計(jì)算的一些基本模型和這些基本模型下的相似度計(jì)算方法，分析了各種相似度計(jì)算方法的優(yōu)缺點(diǎn)。
　　本文提出了一種基于SET/BAG模型的改進(jìn)的相似度計(jì)算方法。該方法將XML文檔的每個(gè)節(jié)點(diǎn)轉(zhuǎn)換成一個(gè)對(duì)象（由對(duì)象名、父對(duì)象、屬性集合以及該對(duì)象相對(duì)于其父對(duì)象的權(quán)重組成），這樣能較完整地表達(dá)XML文檔的結(jié)構(gòu)信息，并且通過調(diào)整重復(fù)節(jié)點(diǎn)的權(quán)重來降低其在相似度計(jì)算中的影響。本文在真實(shí)數(shù)據(jù)集與人工數(shù)據(jù)集上分別進(jìn)