基于頻繁子樹(shù)挖掘的XML聚類方法研究.pdf

1、XML數(shù)據(jù)由于其開(kāi)放性、通用性、半結(jié)構(gòu)化等特性，已經(jīng)成為互聯(lián)網(wǎng)上數(shù)據(jù)表示和交換的標(biāo)準(zhǔn)。隨著XML應(yīng)用的不斷擴(kuò)展，大量數(shù)據(jù)源產(chǎn)生出千差萬(wàn)別的XML文檔，它們所遵循的文檔模式(DTD或XML Schema)也各不相同。對(duì)異源XML數(shù)據(jù)集合進(jìn)行處理的一個(gè)關(guān)鍵技術(shù)，是將XML文檔根據(jù)結(jié)構(gòu)相似性進(jìn)行分類并提取DTD?；谕籇TD的XML文檔間會(huì)有較多的相同子結(jié)構(gòu)，對(duì)于規(guī)模較大的XML文檔集而言，表現(xiàn)為頻繁子樹(shù)。本文研究基于頻繁子樹(shù)的XML聚類算

2、法。主要工作包括：
　　 1、概述現(xiàn)有的針對(duì)XML文檔的聚類方法，指出這些方法的不足之處，提出了新的解決的思路，即基于頻繁子樹(shù)進(jìn)行聚類，并闡述了理論依據(jù)。
　　 2、在經(jīng)典頻繁子樹(shù)挖掘算法FREQT的基礎(chǔ)上，引入了等價(jià)類擴(kuò)展的思想，提出了FROTreeMiner算法，該算法大大減少了產(chǎn)生的候選子樹(shù)數(shù)目，可用于挖掘頻繁遞歸有序子樹(shù)。
　　 3、基于頻繁子樹(shù)挖掘結(jié)果，本文提出兩種XML文檔相似度計(jì)算方法：第一種方法結(jié)

3、合了向量空間模型和頻繁子樹(shù)構(gòu)建頻繁結(jié)構(gòu)特征向量，通過(guò)特征向量來(lái)計(jì)算相似度。第二種方法先構(gòu)建了全局的頻繁子樹(shù)包含關(guān)系表，通過(guò)該表可以找出文檔包含的最大頻繁子樹(shù)和文檔間最大的共有頻繁子樹(shù)，并以此為基礎(chǔ)定義了XML文檔相似度計(jì)算公式。在得到文檔的相似度后，通過(guò)最小生成樹(shù)來(lái)進(jìn)行XML文檔的聚類。
　　 4、實(shí)驗(yàn)表明了(1)FROTreeMiner頻繁子樹(shù)挖掘算法效率高于經(jīng)典算法FREQT。(2)基于頻繁子樹(shù)的聚類算法在應(yīng)用于XML文檔分