基于结构与内容相融合的xml文档聚类研究(智能信息系统)

《基于结构与内容相融合的xml文档聚类研究(智能信息系统)》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、《智能信息系统》课程论文基于结构与内容相融合的XML文档聚类研究姓名：祝黎学号：2012201040008院系：信息管理学院专业：管理科学与工程年级：12级硕士基于结构与内容相融合的XML文档聚类研究祝黎（武汉大学信息管理学院，湖北武汉430072）摘要本文分析了国内外已有的XML文档聚类技术，对XML聚类技术进行了研究，提出了一种将文档结构和内容相融合的聚类方法——两阶段聚（TPCM：TwoPhaseClusteringMethodofXMLDocuments）。该方法首先采用传统的相似度计算和K-means聚类算法对XML文档结构进行大

2、类的聚类，然后利用改进的数路径模型方法对大类进行更有效、更准确的XML文档分类。关键词xml；文档聚类；两阶段法；K-meansAbstractThispaperanalyzedthedomesticandforeignexistingXMLdocumentclusteringtechnique,theXMLclusteringtechniquesarestudied,thispaperputsforwardadocumentstructureandcontentoftheintegrationofclusteringmethod,TwoP

3、haseClusteringMethodofXMLDocuments.ThismethodfirstlyusestraditionalsimilaritycalculationandK-meanstoclustertheXMLdocumentstructuretypes,andbyusingtheimprovedmethodofpathmodelnumberofcategoriestogetmoreeffectiveandmoreaccurateclassificationoftheXMLdocument.Keywordsxml;docum

4、entclustering;TPCM;K-means1.引言我们正处在一个信息爆炸的时代，随着WEB网上信息的爆炸式增长，从半结构化文档（特别是XML文档）中提取信息变得越来越重要。目前互联网上已经形成了一个巨大的由XML格式数据构成的数据仓库。如何有效存储、索引、挖掘与利用XML数据已成为研究热点。XML是一种元标记语言，它提供描述结构化资料的格式，可用于创建标记语言。它以其良好的数据存储格式、可扩展性、高度结构化、便于网络传输等优点在许多领域应用，便于网页信息组织，不仅能满足不断增长的网络应用需求，而且还能确保在与网络进行交互时，具有良

5、好的可靠性与互操作性。文本聚类是数据挖掘中的一项重要内容，它不但可以提高信息检索系统的查准率和查全率，还可以用来组织搜索引擎返回的结果，自动产生文本的层次簇或类，并利用这些簇或类对新文档进行归类。XML文本聚类的目标和普通的文本聚类一样，就是将XML文档集组成不同的类，使得类内文档之间的相似性尽量大，而类间的相似性尽量小。XML文档是信息与元信息的混合体，其“语义”可以看作是由文档内容和文档结构两部分构成。这里的内容是指元素值和属性值，结构是指由标记名称及标记之间的层次关系描述的元素值（属性值）之间的语义关系。而现有的XML文档聚类算法也根

6、据上面的两种关系分为基于结构相似度和基于语义相似度两大类。但是这两大类其实都只考虑了XML文档的一个部分，在很多场合的应用是不合理的。：两个有截然不同结构的Schema可以有同样内容的文档实例，两个有截然不同内容的XML文档若他们的Schemas相似也可以聚类在一起。文献［1］提出将文本内容中的高频词和文档标记简单合并作为特征向量，引进向量空间法对文档进行聚类。这种方法虽然综合考虑了文档的内容特征和结构特征，但将两类特征看作是正交的，割裂了彼此之间的联系，显然与文档的特点不相符合。文献[3]提出了反映XML文档内容特征和结构特征的构件向量,

7、在数据为中心的文档集中获得了较好的聚类效果。但是该方法在处理开放的、大规模的以文本为中心的XML真实数据时,会产生大量的构件向量,导致算法的执行效率大打折扣。而本文分析了国内外已有的XML文档聚类技术，对XML聚类技术进行了研究，提出了一种将文档结构和内容相融合的聚类方法——两阶段聚（TPCM：TwoPhaseClusteringMethodofXMLDocuments）。该方法首先采用传统的相似度计算和K-means聚类算法对XML文档结构进行大类的聚类，然后利用改进的数路径模型方法对大类进行更有效、更准确的XML文档分类。此方法可用于大

8、量不同领域的文本挖掘和信息检索，提高信息检索的查准率和查全率，或作为查找最相似文档的有效方法。2.文档表示模型XML文档可以被模型化为有序标签树，图1给出了一个XML文档的例子及