试析基于xml的web文本数据挖掘研究

《试析基于xml的web文本数据挖掘研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、西南大学硕士学位论文基于XML的Web文本数据挖掘研究姓名：王礼刚申请学位级别：硕士专业：农业机械化工程指导教师：左源瑞;杨国才20070501摘要基于XML的Web文本数据挖掘研究农业机械化工程专业硕士研究生王礼刚指导教师左源瑞副教授杨国才教授摘要网络技术已经渗透到了社会生活的方方面面，随着lmemet在世界范围内的迅速发展，越来越多的数据库和信息系统不断加入网络。使得Interact发展为当今世界上fJ类最全、规模最大的信息库。伴随计算能力的增长及大规模数据存储技术的成熟，面对Internet的信息快速增长，目前我们面临的情况是一方面用户对快速、准确地获得所需要

2、的信息的渴望，另一方面是Imernet上信息量的巨大以及信息内容结构的复杂性，使得处理这些信息具有很多凼难。为了解决这个矛盾，Web数据挖掘成为解决这个问题的一个有效手段之一。目前，Web数据挖掘的研究正处在不断发展的阶段，需要在理论、实现方法与技术上进行大鼙的研究。传统的数据挖掘技术针对的主要都是结构化数据，尤其是关系数据库或数据仓库。Web数据挖掘面对的是Web上的数据，而Web是一个无集中控制、无统一结构、无完整性约束、无事务管理、无标准查询语言和数据模型、可无限扩充的松散的分布式信息系统。在此基础上进行数据挖掘存在很多困难。XML的出现为解决Web数据挖掘的

3、难题带来了一个新的机会。本文就是提出利用XML技术来解决Web数据挖掘面临的问题。本文对基于XML的Web文本数据抽取技术进行Web文本数据挖掘作了深入的研究。本文首先介绍了数据挖掘的一些相关理论，并介绍了国内外有关数据挖掘发展情况。在论述了数据挖掘技术理论之后，研究了数据挖掘技术在Web上的应用即Web数据挖抽I}，其中，阐述了XML的产生与发展、特点以及相关的技术规范。在Web上的半结构化数据处理上。利用XML技术将进行文本数据的数据抽取，建立了一个基于XML的Web文本数据挖掘模型，从而帮助人们更有效地从Web上获取知识。Web文本预处理的结果对Web文本数据

4、挖掘的质量和效率有着很重要的影响，因此，Web文本预处理阶段是至关重要的．需要进行详细而完善的研究。论文对Web文本预处理的过程和方法进行了深入的研究，提出用XML技术将Web页面上的信息进行结构化，进而再将这些Web文本表示成计算机能够处理的形式，提取出对文本挖掘有朋的信息，缩减数据量，从而实现Web文本数据的抽取，并为Web文本数据挖掘打下了坚实的基础。本文构建的基于XML的Web文本挖掘模型主要包含了Web文本预处理和Web文本数据挖掘的功能，它的优点在于它利用XML技术得到能够准确表达文本内容集合，使Web文本数据挖掘处理的数据更加精炼。同时本文也探索了实现

5、了XML到数据库模式的转化过程，从而也就把基于XML的Web数据挖掘与传统的基于关系数据模式的数据挖掘算法建立了联系。最后，文中通过一个具体的实例主要验证了利用XML实现Web文本数据抽取的有效性。关键词：数据挖掘XMLWeb文本数据抽取AbstractThenetworktechnologyhaspenetratedinallsidesofthesociety．WiththerapiddevelopmentofInternetallovertheworld，moreandmoredatabaseandinformationsystememerged，whichma

6、keIntemetbecomethelargestdatabaseintermsofitsvarietyandsize．Thegrowthofcomputingcapabilityandthedevelopmentoflargescaledatastoringtechnologydrivepeopletoaffrontdifficultsituation．Ononehand，usersyearnfurnecessaryinformationquicklyandappropriately．Ontheotherhand，thehugeinformationandcomp

7、lexityoftheinformationmakeinformationhandlingalittlebitdifficult．Inordertosolvetheproblem,WebDataMiningisoneoftheeffectivewaysoftheproblemsolving．Atpresent，researchofWebDataMining，whichneedsdeeperstudytheoretically,realisticallyandtechnically,isstillunderinvestigation．Thefocusoftradi