XML文檔分類方法的研究及其應用.pdf

1、隨著網(wǎng)絡技術的飛速發(fā)展，信息大量膨脹和聚集，XML (eXtensible MarkupLanguage)作為一種常用的數(shù)據(jù)交換和傳輸標準，蘊含了豐富的信息。因此，對XML，文檔的挖掘已經(jīng)成為Web挖掘一個新的研究熱點。
　　 本文重點對XML文檔分類方法進行了研究。XML文檔的結(jié)構(gòu)特征是XML文檔分類區(qū)別于文本分類的一個重要方面，這使很多成熟的文本分類算法無法應用到XML文檔分類中。因此，本文重點對XML文檔的結(jié)構(gòu)特征進行了研

2、究。首先，給出一種頻率。路徑模型來表示XML文檔的結(jié)構(gòu)，該模型中不但保存了節(jié)點的標簽信息，同時統(tǒng)計了相同路徑出現(xiàn)的頻率，使得在保證不丟失有效信息的前提下大大減小了原來路徑模型的規(guī)模。其次，在頻率.路徑模型的基礎上，給出一種帶位置權(quán)重的基于路徑的XML文檔結(jié)構(gòu)相似度計算方法WLCS(Weighted Longest Common Subsequence)。該方法在路徑匹配時，使用最長公共子序列方法，能夠捕捉到現(xiàn)有路徑匹配方法漏掉的有效信息

3、；在進行路徑相似度計算時，引入位置權(quán)重向量，將路徑節(jié)點的位置信息考慮在內(nèi)。通過在真實數(shù)據(jù)集上做實驗表明WLCS方法召回率和準確率均高于當前存在的基于路徑計算相似度的方法。再次，基于頻率.路徑模型給出一種新的XML文檔結(jié)構(gòu)向量化方法。該方法使用一種基于路徑頻率的信息增益方法選擇特征路徑，使用WLCS方法中的路徑相似度計算方法生成特征路徑向量，并通過實驗說明該方法的有效性。最后，在本文研究基礎上，結(jié)合大連市公安局“全文搜索系統(tǒng)”的實際課題，