基于結構和內(nèi)容的XML文檔分類的研究.pdf

1、隨著網(wǎng)絡技術的飛速發(fā)展,信息大量膨脹和聚集,互聯(lián)網(wǎng)已經(jīng)形成了一個由數(shù)據(jù)構成的巨大數(shù)據(jù)倉庫,XML(eXtensible Markup Language)作為一種常用的數(shù)據(jù)交換和傳輸標準,蘊含了豐富的信息,具有通用的數(shù)據(jù)表示能力,能表示結構化、半結構化及元結構化的數(shù)據(jù)。因此,對XML文檔的挖掘已經(jīng)成為數(shù)據(jù)挖掘一個新的研究熱點。其中,對XML文檔分類的研究越來越廣泛。根據(jù)XMI,文檔的性質(zhì),分類時XML文檔結構有許多模型,有基于樹的、基于圖

2、的和基于路徑的等等,其中XML文檔的結構相似性度量是XML結構分析的核心問題。將XML文檔視為一棵標記樹時,已有的XML文檔結構相似性度量主要包括距離編輯法、路徑匹配法和時序分析法等。除結構以外,XML文檔的內(nèi)容對XML文檔分類的影響也很重要,所以從結構和內(nèi)容兩方面研究XML文檔分類方法具有重要的理論意義和廣泛的實用價值。
　　 本文基于結構和內(nèi)容兩個方面對XML文檔分類模型和算法進行了深入研究。首先,針對目前XML文檔基于結構

3、和內(nèi)容的編輯距離分類算法的不足,本文在計算相似性度量時提出了一種新的改進方法CS-XMLSim方法,使得當XML文檔結構相似而內(nèi)容差異大時,分類有較高的準確率。實驗結果表明,當XML文檔結構相似內(nèi)容差異大時,CS-XMLSim方法在提高分類準確率方面有了明顯改善。其次,針對傳統(tǒng)KNN算法的不足,在CS-XMLSim算法作為相似度計算的基礎上,本文提出了KNN的改進算法DB-KNN算法。DB-KNN算法是基于聚類和密度的KNN改進算法,D