RSS新聞中心系統(tǒng)與文本挖掘技術的應用.pdf

1、RSS為Really Simple Syndication (簡易供稿)的縮寫(也有稱RDF的)，是某一站點用來和其它站點之間共享內容的一種簡易方式，是目前使用最廣泛的XML 應用之一。RSS借助XML 技術形式，完成互聯(lián)網站點間信息的自動傳送，XML是解決互聯(lián)網機器通信的重要基礎。RSS目前主要應用于新聞、博客等。 文本挖掘是數據挖掘的一個重要分支，是抽取有效、新穎、有用、可理解的、散布在文本文件中的有價值知識，并利用這些知識

2、更好地組織信息的過程。文本挖掘主要研究文本數據的檢索、分類和特征分析。 本文描述了一個收集、顯示、自動分類和倉儲RSS新聞的新聞系統(tǒng)的建立及相關的文本挖掘研究工作。本文的研究工作主要集中在以下幾方面： 1)設計RSS新聞中心，通過客戶端DOM對象集訪問RSS文檔。本文研究了RSS的應用情況，設計了基于 XML 的RSS新聞中心，鏈接到各網站的新聞，并設計了基于DOM對象集合的客戶端實現新聞的存取，并實現自動分類和分組功能

3、。 2)建立RSS數據倉儲結構，存儲歷史數據。為了分析和利用歷史的RSS數據，研究了歷史新聞數據的倉儲問題，分析了相關的數據倉庫領域和 XML 數據庫領域的技術，提出了文本數據倉儲系統(tǒng)的模型和存儲方式，定義了一系列的概念和操作，并將其用于構建RSS數據倉儲系統(tǒng)。構建了數據倉庫結構，并設計了數據倉儲系統(tǒng)的維護方案。 3)研究了文本特征提取方法。研究了文本特征提取方法，從現有RSS數據集中取得了關鍵詞，并用基于文本的FP-G

4、rowth 算法取得了關鍵詞與分類之間的關聯(lián)，將取得的頻繁項集作為文本的特征。并提出了關鍵詞庫維護的方法。 4)研究了RSS信息的文本聚類情況。研究了K-means、K-medoids、層次聚類、密度聚類等方法應用在RSS文檔數據上的應用情況，提出了用基于區(qū)分參數的層次聚類方法，用此方法研究了RSS文檔的自然分類情況，統(tǒng)一了文檔的分類。本文還研究了層次聚類方法的規(guī)律，使用該方法在客戶端對分類內部數據進行分組，使內容相似的的文章被