基于模式元素的文档聚类方法研究

孙霞，张玉生

（常熟理工学院计算机科学与工程学院，江苏常熟 215500）

基于模式元素的文档聚类方法研究

孙霞，张玉生

（常熟理工学院计算机科学与工程学院，江苏常熟 215500）

聚类问题的关键是把相似的事物聚集在一起，因此相似度计算是进行文档聚类的首要问题.XML模式是XML文档结构的体现，对XML文档的聚类可以通过XML模式的聚类来实现.本文提出一种基于XML模式元素的文档聚类方法，通过计算XML模式元素间的相似度来对文档进行聚类，综合考虑了XML模式中元素的结构和语义信息，进一步提高了计算相似度的精度，提高聚类的准确性，并且易于提取聚簇的通用XML模式.

元素；模式；相似度；聚类

1 引言

XML（Extensible Markup Language）作为一种新兴的自描述语言，以其良好的可扩展性受到业界的普遍欢迎和支持，逐渐成为Web上的通用语言，越来越多的应用领域已经将其作为主要的存储格式和传输媒体.随着XML信息量的剧增，怎样对这些数据进行复杂的应用成了现今数据库技术的研究热点，特别是从海量数据中提取出有用的信息变得越来越重要.在半结构化数据中进行数据查询、知识发现以及对Internet上巨大数量的数据进行数据挖掘，能够满足网络这种复杂分布环境的需要，但同时也给数据处理带来了很大的困难.目前半结构化数据相关的研究方向有很多，如新的数据模型、相关的查询语言、存储技术以及查询优化技术等.在众多的研究课题中，对文档进行聚类，从而更好地……