XML文檔結(jié)構(gòu)相似度研究及在文檔聚類(lèi)中應(yīng)用.pdf

1、本論文在文檔對(duì)象樹(shù)的基礎(chǔ)上，提出了一種基于樹(shù)路徑的XML文檔描述模型，并給出了相應(yīng)的相似度算法，將問(wèn)題有效地簡(jiǎn)化，從而降低了解決問(wèn)題的復(fù)雜度。這種算法能快速、準(zhǔn)確分辨出具有相同結(jié)構(gòu)的XML文檔。 首先，提出了一種基于樹(shù)路徑模型的相似度算法，來(lái)實(shí)現(xiàn)對(duì)XML文檔之間相似度的計(jì)算。該算法簡(jiǎn)化了XML文檔描述，從而降低了解決問(wèn)題的復(fù)雜度。此算法在文檔類(lèi)別數(shù)較少，且不同類(lèi)別的文檔的結(jié)構(gòu)相差較大時(shí)，有很好的聚類(lèi)效果。 其次，在此算法

2、的基礎(chǔ)上，針對(duì)它存在的一些問(wèn)題如：路徑只是包含父/子這種祖先與子孫的關(guān)系，忽略了兄弟結(jié)點(diǎn)之間關(guān)系；沒(méi)有考慮各路徑的權(quán)重；并且在比較兩路徑的相似度時(shí)用的是路徑的完全匹配等，本文對(duì)此一一進(jìn)行了改進(jìn)，并提出了改進(jìn)后的相似度的計(jì)算方法。改進(jìn)后的算法計(jì)算出來(lái)的相似度更準(zhǔn)確，處理了文檔中元素重復(fù)問(wèn)題，使得計(jì)算結(jié)果也更符合人的直觀理解。 最后，進(jìn)行了實(shí)驗(yàn)測(cè)試，并且在計(jì)算文檔相似度的基礎(chǔ)上對(duì)文檔進(jìn)行了聚類(lèi)，實(shí)驗(yàn)結(jié)果顯示與其它算法相比，本文的方法