the xml文档自动聚类的研究guide download.pdfVIP

维普资讯 第 25卷 第 2期 情 报 学 报 AVo1．25．№2 2006年 4月 pril，2006 XML文档 自动聚类研究 潘有能 (浙江大学信息资源管理系，杭州 310028) 摘要 本文在文本聚类的基础上对 XML文档 自动聚类进行了研究，对划分聚类法和层次聚类法进行了改进， 使之适合于XML文档聚类；给出了元素比较法、边集 比较法和编辑距离法等三种计算文档间相似度的方法，并利用 实 际数据进行了测试和分析。 关键词 数据挖掘 文本聚类 XML Research onXM L DocumentsCluster PanYouneng (DepatfmentofInformationResourcesManagement，ZhejiangUni~ ity，Ht咖 u310028) Abstract OnthebasisoftextcIuster．theauthormakesaJlexploratoryresearchonXMLdocumentscluster，thou# the improvementonpartitionclusterandlayercluster，makeshtemcanUSeonXMLdocumentscluster．Then，hteauhtordiscusses80me mehtodaboutXMLdocuments similaritycMc~afion． Keywords datamining，textcluster，XML． 就是将 XML文档集组成不同的类 ，使得类内文档之 1 前 言 间的相似性尽量大，而类 间的相似性尽量小。但是 由于XML文档和一般 的非结构化文档有着很大差 XML(ExtensibleMarkupLanguage，可扩展标记语 别，我们需要在普通的文本聚类的基础上进行更深 言)是近几年新发展起来的基于Internet的元数据置 层次 的研究。 标语言，自发布之 日起，XML就 以其 良好的可扩展 性受到业界的普遍欢迎和支持，逐渐成为web上的 2 XML文本聚类技术 通用语言，在数据交换 、Web服务 、内容管理 、Web集 成等方面得到了重要应用。 目前文本聚类的方法主要有划分聚类法 、层次 文本聚类是数据挖掘 中的一项重要 内容，它不 聚类法、自组织映射法、基于遗传算法的文本聚类法 但可以提高信息检索系统的查准率和查全率，还可 等，由于XML文档是一种结构化的文本，其语义信 以用于组织搜索引擎返 回的结果，自动产生文本的 息可以通过文档结构得 以描述，主要是通过对 XML 层次簇或类，并利用这些簇或类来对新文档进行归 ‘文档结构的分析 比较进行聚类，所 以并不是所有的 类。 文本聚类算法都适合于XML文本聚类，在 自组织映 XML文本聚类的 目标和普通的文本聚类一样， 射法中，主要是利用 自组织特征映射法 (SOM)方法 收稿 日期 ：2005年 4月29日