XML文檔聚類研究與應用.pdf

1、XML(eXtensible Markup Language)是因特網(wǎng)中信息描述、傳輸和交換的重要標準，而XML文檔聚類是眾多XML文檔整合和管理技術中關注的焦點，其目標是有效整合XML文檔使之便于存儲和傳輸。相似度計算則是XML文檔聚類的關鍵步驟，而傳統(tǒng)XML文檔相似度計算方法中，樹編輯距離算法時間復雜度較高，元素比較法丟失文檔結構特性，邊與路徑比較法過于局限，擴展性差，而向量空間計算法雖計算簡便，但多數(shù)算法因其特征權重設定導致無法完

2、整保留文檔結構特性。
　　論文著眼于XML文檔的特征權重設定，分別從相似度計算和聚類算法選擇兩方面進行研究，并取得了如下成果：
　　1、論文研究了計算XML文檔相似度的pq-gram算法。XML文檔的結點在不同XML文檔樹中所處層次以及本層次中位置都會有所不同，而這些不同正是 XML文檔結構特性的一種體現(xiàn)，但pq-gram算法在提取pq-gram時未考慮這一點。鑒于此，論文提出了一種新的帶權pq-gram算法，通過全面考慮X

3、ML文檔樹中結點的層次及位置，結合其父節(jié)點所處的位置，為XML文檔結點以及pq-gram設計了全新的權重設定方法，并在權重設定的基礎上改進了其相似度計算方法。最后通過聚類算法對三個真實數(shù)據(jù)集進行聚類，比較聚類精度的優(yōu)劣以及各聚類簇之間的相似度。
　　2、在此基礎上，論文進一步研究了常見的XML文檔特征向量提取方法,發(fā)現(xiàn)大多數(shù)特征提取算法只是針對XML文檔結構特性對特征進行權重設定，未考慮各特征之間是存在偏好關系的。事實上，XML聚

4、類不能完全通過結點在XML文檔中的層次來判定它對于聚類的重要性。論文在此基礎上研究了基于特征偏好的聚類(Clustering with feature order preference，CFP)算法。論文在帶權pq-gram算法對XML文檔進行特征向量提取的基礎上，結合CFP算法，提出了基于特征偏好的XML文檔聚類(CXFP）算法。CXFP算法可結合pq-gram權重以及特征偏好權重兩個方面，并利用CFP算法的特點，在聚類過程中動態(tài)調整