XML文档的聚研究.pdfVIP

摘 要 随着互联网的迅速发展，XML已经成为互联网中最常用的数据 交换与存储语言，如何从大量的XML文档中提取有价值的信息是目 前的研究热点之一。 在XML文档聚类方法的研究中，一种研究思路是对XML文档的表 示模型进行改进，以期得到更有效的XML文档相似度计算方法。目前 模型、树模型等，每种模型下都有多种相似度计算方法。本文介绍了 文本聚类的基本知识及其应用，分析了常用的文本聚类算法及其优缺 点，介绍了XML文档相似度计算的一些基本模型和这些基本模型下的 相似度计算方法，分析了各种相似度计算方法的优缺点。 本文提出了一种基于SET／BAG模型的改进的相似度计算方法。 该方法将XML文档的每个节点转换成一个对象(由对象名、父对象、 属性集合以及该对象相对于其父对象的权重组成)，这样能较完整地 表达XML文档的结构信息，并且通过调整重复节点的权重来降低其 在相似度计算中的影响。本文在真实数据集与人工数据集上分别进行 实验，使用查全率与查准率对聚类结果进行评估，通过与节点比较法， 树编辑距离法等类似方法比较，仿真实验结果表明了本文提出的基于 SET／BAG模型下改进的相似度计算方法能得到很好的聚类结果。 关键词：XML；文档聚类；相似度计算 万方数据 Abstract the ofthe hasbecome the Internet，XML With development rapid fordata and to Internet’Smost storage，how language exchange popular XMLdocumentsis a numberof from extractvaluableinformation large oneofthe currently hotspots． the XMLdocument said Inthe of methods，astudy study clustering to amore XML order ideaisto themodelofan document，inget improve of the ofXMLdocuments． efficientm