基于頻繁模式樹的XML數(shù)據(jù)挖掘.pdf

1、數(shù)據(jù)挖掘是指從大量的、不完全的、有噪聲的、模糊的數(shù)據(jù)中提取出隱含在其中的、人們事先不知道的但又潛在有用的知識的半自動(dòng)化的方法，它是解決“數(shù)據(jù)豐富、信息貧乏”的有效方法。 XML是由SGML發(fā)展而來的一種簡單、靈活的文本格式。它已經(jīng)成為Internet上數(shù)據(jù)描述和交換的標(biāo)準(zhǔn)，越來越多的數(shù)據(jù)以XML文檔進(jìn)行存儲，在這些數(shù)據(jù)中隱含著大量的知識信息與各類模式，因此，人們迫切需要一些有效的方法來從中提取出一些潛在的、有價(jià)值的知識，這就是

2、XML挖掘。 但是，作為一種樹形的半結(jié)構(gòu)化數(shù)據(jù)，XML非常復(fù)雜且具有異構(gòu)性，它不能輕易地被映射到關(guān)系模型，這樣，傳統(tǒng)的面向關(guān)系型數(shù)據(jù)的挖掘方法如Apriori算法等，并不能直接應(yīng)用到XML挖掘上。因此，研究一種有效的針對XML的數(shù)據(jù)挖掘方法成為數(shù)據(jù)挖掘領(lǐng)域和XML技術(shù)領(lǐng)域的一項(xiàng)重要課題。 本文首先介紹了傳統(tǒng)的數(shù)據(jù)挖掘基本理論、XML的基本理論、XML的特點(diǎn)以及XML有關(guān)技術(shù)規(guī)范。 其次介紹了頻繁子樹挖掘的相關(guān)概念

3、和現(xiàn)有的一些頻繁子樹挖掘算法。 接著在分析了現(xiàn)有頻繁模式樹挖掘算法FREOT和Freqttree的基礎(chǔ)上，提出了一種新的頻繁模式樹挖掘算法-PDOM算法。PDOM算法采用最右路徑擴(kuò)展的思想，然后利用遞推式的候選節(jié)點(diǎn)集更新技術(shù)來壓縮候選節(jié)點(diǎn)集，使產(chǎn)生的候選模式數(shù)量大大減少，并且在計(jì)算候選模式樹的支持?jǐn)?shù)時(shí)，采用增量式技術(shù)，提高算法效率。通過定理證明了PDOM算法的正確性，并對其進(jìn)行了實(shí)驗(yàn)分析。 最后，考慮到XML的樹形結(jié)構(gòu)，

4、提出了基于頻繁模式樹的XML文檔分類算法-BFPC算法。BFPC算法基于XML內(nèi)容和XML結(jié)構(gòu)兩方面。它首先利用tf*idf權(quán)值法提取XML文件中非結(jié)構(gòu)的信息即XML內(nèi)容的特征代表，接著利用PDOM算法提取各個(gè)類別的頻繁模式樹，作為該類別的結(jié)構(gòu)特征，并賦予每個(gè)模式樹一定的權(quán)值。同時(shí)，本文還提出了一種模式樹匹配算法-PMatch，通過最右匹配集來實(shí)現(xiàn)模式樹的匹配。最后測試階段，利用PMatch算法以及關(guān)鍵字匹配，計(jì)算測試文檔的得分，判斷該