基于加權(quán)層次子樹的XML文檔相似度計(jì)算.pdf

1、近幾年來，隨著社會(huì)信息化進(jìn)程的不斷深入發(fā)展，人類對信息的需求和依賴程度越來越高，如何從海量的信息資源中快速有效的獲取有用的信息，已經(jīng)成為研究的熱點(diǎn)，這也給信息檢索帶來了極大的挑戰(zhàn)。隨著互聯(lián)網(wǎng)的發(fā)展XML憑借其自身具有的結(jié)構(gòu)化、可擴(kuò)展、自描述等特點(diǎn)已經(jīng)成為互聯(lián)網(wǎng)上數(shù)據(jù)存儲(chǔ)和數(shù)據(jù)交換的標(biāo)準(zhǔn)。
　　 文檔相似度的計(jì)算是文檔檢索、挖掘和深層次智能處理的基礎(chǔ)，因此對相似度計(jì)算進(jìn)行研究具有非常重要的意義，可以說文檔相似度的計(jì)算直接影響了最后

2、的檢索結(jié)果。如果文檔相似度的計(jì)算結(jié)果高效準(zhǔn)確，那么檢索結(jié)果就能達(dá)到用戶的期望值。反之，如果文檔相似度的計(jì)算結(jié)果不準(zhǔn)確，查詢過程的查全率和查準(zhǔn)率就會(huì)受到很大的影響，最后用戶就會(huì)檢索不到自己想要的結(jié)果。
　　 本文首先介紹了樹編輯距離模型和頻繁路徑模型以及基于它們的相似度計(jì)算，綜合這兩種模型的優(yōu)缺點(diǎn)，提出了一種針對XML文檔結(jié)構(gòu)聚類的模型——加權(quán)層次子樹模型，并提出了基于加權(quán)層次子樹模型的文檔相似度計(jì)算方法，加權(quán)層次子樹模型很好的表

3、示了XML文檔的層次關(guān)系和層次信息，通過消除重復(fù)元素和重復(fù)表達(dá)式，用更加簡潔的表達(dá)式表示出XML文檔的層次和元素信息，并基于此方法對XML文檔進(jìn)行了聚類分析。此相似度計(jì)算方法能將問題有效地簡化，從而降低了解決問題的復(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。
　　 本文基于加權(quán)層次子樹模型，提出了加權(quán)層次子樹模型的相似度計(jì)算方法，首先考慮了元素的語義信息，將XML文檔的元素語義信息納入計(jì)算中，通過對語義信息的考慮

4、，更加精確了相似度計(jì)算，從而達(dá)到很好的聚類效果。其次，在XML文檔相似度計(jì)算中，考慮到了層次的權(quán)重問題，靠近根節(jié)點(diǎn)層次上的節(jié)點(diǎn)比遠(yuǎn)離根節(jié)點(diǎn)層次上的節(jié)點(diǎn)占的比重要大，每一層上的權(quán)重系數(shù)都不相同，層次越高，權(quán)重系數(shù)越大，它對整個(gè)XML文檔相似度的影響也就越大；反之，層次越低，權(quán)重系數(shù)越小，它對整個(gè)XML文檔相似度的影響也就越小。權(quán)重系數(shù)以2的次冪逐層遞增。這樣計(jì)算出來的相似度就會(huì)更精確。為了驗(yàn)證基于該模型的相似度計(jì)算效果，本文采用了K-中心