基于結(jié)構(gòu)和內(nèi)容的XML文檔分類的研究.pdf

1、隨著網(wǎng)絡(luò)技術(shù)的飛速發(fā)展,信息大量膨脹和聚集,互聯(lián)網(wǎng)已經(jīng)形成了一個(gè)由數(shù)據(jù)構(gòu)成的巨大數(shù)據(jù)倉(cāng)庫(kù),XML(eXtensible Markup Language)作為一種常用的數(shù)據(jù)交換和傳輸標(biāo)準(zhǔn),蘊(yùn)含了豐富的信息,具有通用的數(shù)據(jù)表示能力,能表示結(jié)構(gòu)化、半結(jié)構(gòu)化及元結(jié)構(gòu)化的數(shù)據(jù)。因此,對(duì)XML文檔的挖掘已經(jīng)成為數(shù)據(jù)挖掘一個(gè)新的研究熱點(diǎn)。其中,對(duì)XML文檔分類的研究越來(lái)越廣泛。根據(jù)XMI,文檔的性質(zhì),分類時(shí)XML文檔結(jié)構(gòu)有許多模型,有基于樹的、基于圖

2、的和基于路徑的等等,其中XML文檔的結(jié)構(gòu)相似性度量是XML結(jié)構(gòu)分析的核心問(wèn)題。將XML文檔視為一棵標(biāo)記樹時(shí),已有的XML文檔結(jié)構(gòu)相似性度量主要包括距離編輯法、路徑匹配法和時(shí)序分析法等。除結(jié)構(gòu)以外,XML文檔的內(nèi)容對(duì)XML文檔分類的影響也很重要,所以從結(jié)構(gòu)和內(nèi)容兩方面研究XML文檔分類方法具有重要的理論意義和廣泛的實(shí)用價(jià)值。
　　 本文基于結(jié)構(gòu)和內(nèi)容兩個(gè)方面對(duì)XML文檔分類模型和算法進(jìn)行了深入研究。首先,針對(duì)目前XML文檔基于結(jié)構(gòu)

3、和內(nèi)容的編輯距離分類算法的不足,本文在計(jì)算相似性度量時(shí)提出了一種新的改進(jìn)方法CS-XMLSim方法,使得當(dāng)XML文檔結(jié)構(gòu)相似而內(nèi)容差異大時(shí),分類有較高的準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明,當(dāng)XML文檔結(jié)構(gòu)相似內(nèi)容差異大時(shí),CS-XMLSim方法在提高分類準(zhǔn)確率方面有了明顯改善。其次,針對(duì)傳統(tǒng)KNN算法的不足,在CS-XMLSim算法作為相似度計(jì)算的基礎(chǔ)上,本文提出了KNN的改進(jìn)算法DB-KNN算法。DB-KNN算法是基于聚類和密度的KNN改進(jìn)算法,D