XML文檔分類(lèi)方法的研究及其應(yīng)用.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，XML (eXtensible MarkupLanguage)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。因此，對(duì)XML，文檔的挖掘已經(jīng)成為Web挖掘一個(gè)新的研究熱點(diǎn)。
　　 本文重點(diǎn)對(duì)XML文檔分類(lèi)方法進(jìn)行了研究。XML文檔的結(jié)構(gòu)特征是XML文檔分類(lèi)區(qū)別于文本分類(lèi)的一個(gè)重要方面，這使很多成熟的文本分類(lèi)算法無(wú)法應(yīng)用到XML文檔分類(lèi)中。因此，本文重點(diǎn)對(duì)XML文檔的結(jié)構(gòu)特征進(jìn)行了研

2、究。首先，給出一種頻率。路徑模型來(lái)表示XML文檔的結(jié)構(gòu)，該模型中不但保存了節(jié)點(diǎn)的標(biāo)簽信息，同時(shí)統(tǒng)計(jì)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(lái)路徑模型的規(guī)模。其次，在頻率.路徑模型的基礎(chǔ)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(jì)算方法WLCS(Weighted Longest Common Subsequence)。該方法在路徑匹配時(shí)，使用最長(zhǎng)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(jìn)行路徑相似度計(jì)算時(shí)，引入位置權(quán)重向量，將路徑節(jié)點(diǎn)的位置信息考慮在內(nèi)。通過(guò)在真實(shí)數(shù)據(jù)集上做實(shí)驗(yàn)表明WLCS方法召回率和準(zhǔn)確率均高于當(dāng)前存在的基于路徑計(jì)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(jì)算方法生成特征路徑向量，并通過(guò)實(shí)驗(yàn)說(shuō)明該方法的有效性。最后，在本文研究基礎(chǔ)上，結(jié)合大連市公安局“全文搜索系統(tǒng)”的實(shí)際課題，