基于頻繁子樹挖掘的XML聚類方法研究.pdf

1、XML數(shù)據(jù)由于其開放性、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。基于同一DTD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。本文研究基于頻繁子樹的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，即基于頻繁子樹進(jìn)行聚類，并闡述了理論依據(jù)。
　　 2、在經(jīng)典頻繁子樹挖掘算法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)生的候選子樹數(shù)目，可用于挖掘頻繁遞歸有序子樹。
　　 3、基于頻繁子樹挖掘結(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構(gòu)建頻繁結(jié)構(gòu)特征向量，通過特征向量來計(jì)算相似度。第二種方法先構(gòu)建了全局的頻繁子樹包含關(guān)系表，通過該表可以找出文檔包含的最大頻繁子樹和文檔間最大的共有頻繁子樹，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，通過最小生成樹來進(jìn)行XML文檔的聚類。
　　 4、實(shí)驗(yàn)表明了(1)FROTreeMiner頻繁子樹挖掘算法效率高于經(jīng)典算法FREQT。(2)基于頻繁子樹的聚類算法在應(yīng)用于XML文檔分