基于PCA的XML文档特征提取方法.pdfVIP

3894 2011，Vo1．32，No．11 计算机工程与设计 ComputerEngineeringandDesign 基于PCA的XML文档特征提取方法 郭丽红 ， 王 箭 (1．南京航空航天大学计算机科学与技术学院，江苏 南京210016； 2．南京工程学院通信工程学院，江苏 南京 2l1167) 摘 要：为了更好地对XML文档进行分类或聚类分析，以主成分分析的理论基础为指导，在研究了文本表示的各种模型的 基础上，提出了两种对XML文档进行向量化表示并进行特征提取的方法，同时也实现 了对XML文档 的有效降维。实验结果 表 明，两种方法都能有效地表示XML文档 的主体特征 ，但全路径特征向量抽取方法能更好地描述XML信息，为下一步有效 处理XML文档做 了良好铺垫，具有一定的研究价值。 关键词：XML文档；向量空间模型；特征提取；主成分分析；降维 中图法分类号：TP3l1．13 文献标识码：A 文章编号：1000—7024(2011)11-3894．03 FeatureextractionmethodsforXMLdocumentsbasedonPCA GUO Li．hong．-． W ANGJian2 (1．CollegeofComputerScienceandTechnology,NanjingUniversityofAeronauticsandAstronautics，Nanjing210016， China；2．CollegeofCommunicationsEngineering，NanjingInstituteofTechnology,Nanjing211167，China) Abstract：ToclassifyoranalyzeXMLdocumentsbetter,basedonthetheoreticalanalysisofprincipalcomponentna alysisnadthestudy oftextrepresentationmodel，theeffectivemethodsaimingtoform thefeaturevectornadextractthefeatureofxmldocumentsispresented， atthesametimeitCna reducehtedimensionsofXMLdocuments．Theexperimentresultshowsthattwomethodsbothcanrepresentthe mainfeatureofXMLdocumenteffectively, butthemethodofallpathfeatureextractionofrXMLdocumentisbeRerthna themehtodof edgesetfeatureextraction，andisanimportantworkofrlatterhandlingxmldocumentsefficiently． Keywords：xmldocument；vectorspacemodel；featureexrtaction；principalcomponentnaalysis；reducingdimensions 指导，提出了XML文档的全路径特征向量抽取和边集 向量抽 0 引 言 取方法，为XML文档的后续处理做了良好的铺垫0。 XML是一种半结构化的数据描述语言，其具有的 自描 1 XML文档的表示方法 述性、可扩展性、结构和 内容两重特性使得其得到了广泛的 应用 “，尤其近年来，面对海量的XML数据，如何发现有用信 使用 XML文档描述的信息，是一种带有结构信息的文 息，如何聚类或分类XML信息，使针对XML的数据挖掘成为 本，这也是XML文档与纯文本文档的本质的区别。除了XML 在数据库研究、开发和应用最活跃的分支之一 ，而数据预处 文档具有结构信息这一特征外，XML文