阈值区间一种基于XCLS和XCLSE的改进方案.pdfVIP

计算机研究与发展 ISSN 1000—1239／CN 11-1777／TP Journal of Computer Research and Development 45(Suppl．)：285—290，2008 阈值区 间：一种基于XCLS和XCLSE的改进方案 刘众奇 袁晓洁 张海威 杨 娜 王敏辉 (南开大学信息技术科学学院计算机科学与技术系 天津300071) (nankailzq@yahoo．com．on) Threshold Interval：Improvement of XCLS and XCLSE Liu Zhongqi，Yuan Xiaoj ie，Zhang Haiwei，Yang Na，and Wang Minhui (Department of Computer．Science and Technology，Collegeof Information Technical Science，Nankai University，Tianjin 300071) Abstract Presented here is the prospect and tendency of XML clustering，and the challenge it faces． Also introduced are the XCLS and XCLSE，presented by Richi Nayak，fast and effective incremental clustering algorithms，which raise a new XML expressing format--level structure．It developed a global criterion function that measures the similarity between the new document and the existing clusters，avoiding the need to compute the pair-wise similarity between two individual documents， thus saving a huge amount of computing effort．Then the XCLS and XCLSE are further modified and improved when it incorporates the semantic meanings of XML．To increase the accuracy and precision of the XML clustering algorithm，a strategy of threshold interval is presented that controls the influence of semantic information in the process of XML clustering． Key words XML clustering；level structure；level similarity；XCLS；XCLSE 摘要分析了XML文档聚类的应用趋势与前景，提出了XML聚类算法所面临的一些问题．详细介绍 了由Richi Nayak提出的快速而高效的增量式XML文档聚类算法XCLS和XCLSE．算法提出一种新 的XML数据表示结构Level Structure，并在此基础上定义了基于层次相似度的文档聚类计算方式，而 不需再花费大量时间与工作来计算“逐对”XML文档之闻的相似度．对XCLS和XCLSE算法结合语义 的过程进行了改进与定性分析，提出用阈值区间来控制语义信息对XML文档聚类过程影响程度的思 想，从而进一步提高XML文档聚类算法的精确度和准确率． 关键词XML文档聚类；层次结构；层次相似度；XCLS；XCLSE 中图法分类号TP391 如今，网络已成为信息交换的主要来源．信息越 来越多地以XML的格式被创建、交换和存储．XML 作为数据和元数据的载体标准被广泛采用，直接导 致了超大数量级的XML数据集合的出现． 人们开发了很多的数据库及工具等应用，来对 XML数据进行传递、存储、集成、查询．然而，这些数 据库及工具需要高效的数据处理技术来支持对 XML文档的有效存储和检索n{]．数据挖掘技术恰 收稿日期：2008—06-16 恰是这些应用所需要的．例如聚类技术根据XML 文档的结构相似性来对XML文档进行分组，其不 仅能够很好地帮助这些应用对XML数据进行高效 的组织和处理，而且对于网络数据的处理也是十分 有价值的，因为许多从网络数据源中提取和集成关 联信息的技术都需要根据数据的结