向量矩阵迭代自组织XML辅助聚类算法.pdfVIP

向量矩阵迭代自组织XML 辅助聚类算法1 1 1 2 3 刘波 ，杨路明 ，翟学敏 ，邓云龙 1 中南大学信息学院，长沙（410083 ） 2 江南大学，江苏无锡（214122 ） 3 中南大学湘雅附三医院，长沙 (410013) E-mail ：ltbo99@ 摘 要：为了提高海量XML文档集的聚类质量，提出了一种基于向量空间模型的矩阵迭代 自组织XML辅助聚类算法；该算法以XML键为基础，把XML文档转化为向量矩阵，通过矩 阵迭代自组织学习对XML文档实施取消、分裂与合并等优化措施；为了加速算法的收敛性， 在算法中引入辅助策略，虽然不一定达到矩阵向量分类间隔最大化的目标，却在尽可能分类 的情况下使得运算时间缩短，其XML键权重调整更有利聚类效果。对比其它向量聚类算法， 一系列仿真实验表明所提出算法具有一定的有效性及合理性。 关键词：XML 键；向量矩阵；权重聚类；迭代算法 中图分类号：TP301 文献识别码：A 0 引言 XML 作为一种采用文本标记描述数据的语言，具有灵活、开放、跨平台、跨语种等特 点，因而被广泛用于信息的表达与交换，由此产生大量的 XML 文档与文件等信息，但这些 信息需要查询、挖掘，提取有价值的信息，聚类是 XML 数据挖掘中的一种重要的分析手段， 可以将数据对象归入到相应有意义的分类中。 对于 XML 数据的聚类管理，XML 文档本身的标签以及路径约束使其具有传统文档所没 有的结构和层次特性,考虑到 XML 的结构信息,文献[1]利用相似路径进行 XML 聚类操作,通 过对 XML 路径查询分类处理降低查询过程的 IO 页面处理,文献[2]则根据 XML 架构语义,结 合路径相似性与路径权重系数进行 XML 文档聚类操作,这些都离不开对 XML 树进行相似性 度量,其缺点是时间复杂度过高,一般为 O(n 3 ) ，不适合多文档集处理；文献[3]则从 XML 文 档结构入手，通过分析有序标签树结构、路径权重，利用各种树编辑距离理论提出树结构距 离算法，降低 XML 嵌套层次,有利 XML 树间的匹配,但效果仍不甚理想,主要原因在于单纯 的树“编辑距离”仅适合文档两两比较, 缺乏类原形描述与操作记忆力,而群智能算法却能很 好解决 XML 文档聚类的操作记忆性，也是 XML 文档分类的好方法，特别是利用粒子群算 法常用来分析 XML 文档聚类过程[4-5],但由于粒子群选择的随机性，常导致前后聚类结果不 一致，为解决这个不足，当前另一个研究热点是基于向量机的处理方法，把 XML 数据转化 为向量，通过核估计、滑动窗体等学习方法进行XML 文档聚类[6,7]也是一个不错的选择，具 有速度快、运行稳定、分类准确等优点，但所需运行次数除与训练样本相关外，另一个不足 就是运算时间较长；另外对 XML 文档进行信息挖掘时，由于预先不知道类型数目,所以在使 用参数估计和非参数估计时,难以确定不同类型的类概率密度函数，因此使用相关概率密度 聚类方法较困难，而迭代自组织聚类算法(ISODATA)[8]则避免了估计类概率密度,对每个聚 类中心都是局部密度极大值位置,将异质母体分隔为同构性的群。 针对以上方法的特征,本文尝试把 XML 键视为向量，利用它把 XML 文档转化为向量矩 阵，并引入辅助参数控制 XML 文档比较次数，从而优化迭代自组织聚类算法对 XML 文档 1本课题得到湖南信息职业学院科技创新项目（编号 108652006011 名称：基于 XML 数据库压缩算法与概 率查询分析及实现）和湖南省教育厅科研基金（编号 05c671,名称: 遗传算法参数设计）的资助。 - 1 - 进行自学习的分类过程,同时根据不同XML 键在分类