基于XML的Web內(nèi)容挖掘研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，WWW上信息的快速增長(zhǎng)，WWW為人們提供了大量的信息，但也使得我們陷入一個(gè)矛盾，那就是一方面人們迫切地需要從Web上快速、有效地獲取知識(shí)，另一方面是Web上信息的數(shù)量龐太大并且信息內(nèi)容結(jié)構(gòu)復(fù)雜，處理這些信息具有很多困難。為了解決這個(gè)矛盾，Web挖掘技術(shù)提供了一種途徑，目前Web挖掘的研究正處在不斷發(fā)展的階段，需要在理論、實(shí)現(xiàn)方法與技術(shù)上進(jìn)行大量的研究。Web挖掘技術(shù)是傳統(tǒng)數(shù)據(jù)挖掘技術(shù)在Web環(huán)境下的應(yīng)用，從大量的Wed

2、文檔集合和用戶瀏覽Web的數(shù)據(jù)信息中發(fā)現(xiàn)蘊(yùn)涵的、未知的、有潛在應(yīng)用價(jià)值的、非平凡的模式。根據(jù)Web挖掘研究的對(duì)象，Web挖掘分為三類：Web內(nèi)容挖掘，Web結(jié)構(gòu)挖掘和Web使用記錄挖掘，Web內(nèi)容挖掘是論文研究的主要內(nèi)容。由于現(xiàn)有的搜索引擎僅用于Web上的信息檢索，無(wú)法發(fā)現(xiàn)Web上潛在的知識(shí)，多數(shù)用戶在用搜索引擎給出的搜索結(jié)果時(shí)都很難從中發(fā)現(xiàn)自己感興趣的內(nèi)容，為了解決這個(gè)現(xiàn)狀，論文展開了對(duì)Web內(nèi)容挖掘技術(shù)的研究。 論文分析了現(xiàn)

3、有的數(shù)據(jù)挖掘、Web挖掘和XML技術(shù)的一些基本概念、方法和技術(shù)，通過對(duì)半結(jié)構(gòu)化數(shù)據(jù)的處理及所涉及的關(guān)鍵技術(shù)，如抽取方法、轉(zhuǎn)換算法等方面的研究，提出了一種基于棧結(jié)構(gòu)的數(shù)據(jù)格式轉(zhuǎn)換方案，將半結(jié)構(gòu)化的HTML數(shù)據(jù)轉(zhuǎn)換為XML格式的結(jié)構(gòu)化數(shù)據(jù)，得到有效的XML格式的待挖掘數(shù)據(jù)。提出了利用XML數(shù)據(jù)建立供挖掘使用的多層Web數(shù)據(jù)庫(kù)的方法。通過對(duì)現(xiàn)有數(shù)據(jù)挖掘的決策樹算法和聚類分類算法的研究，根據(jù)實(shí)際應(yīng)用的需要對(duì)這兩個(gè)算法進(jìn)行了修改，使之適用于當(dāng)前W