1、XML(eXtensible Markup Language)是可擴展置標語言,在網(wǎng)絡和其他領域的數(shù)據(jù)表示與交換方面顯示出強大的數(shù)據(jù)表達能力?，F(xiàn)在,越來越多的數(shù)據(jù)以XML文檔進行存儲,XML文檔的數(shù)據(jù)挖掘技術在理論與實踐方面成為研究的熱點。由于XML文檔具有復雜性、異構(gòu)性、半結(jié)構(gòu)化的特點,傳統(tǒng)的面向關系型數(shù)據(jù)的挖掘技術無法直接應用,探索有效的XML數(shù)據(jù)挖掘技術成為數(shù)據(jù)挖掘領域的一項重要研究課題。 目前,國內(nèi)外XML文檔數(shù)據(jù)挖掘技

2、術主要分為文檔內(nèi)容挖掘和文檔結(jié)構(gòu)挖掘。XML內(nèi)容挖掘本質(zhì)上是對標記值的挖掘,可以對單個或群組XML文檔進行挖掘。XML的元素標記和嵌套關系表示XML文檔的結(jié)構(gòu),結(jié)構(gòu)挖掘?qū)嶋H操作是將XML文檔的結(jié)構(gòu)看作一棵標記樹,在此基礎上對樹的挖掘。 本文主要研究XML文檔結(jié)構(gòu)的聚類技術。通過研究發(fā)現(xiàn),傳統(tǒng)相似度計算方法不能滿足嵌套結(jié)構(gòu)的語義要求,樹路徑模型的聚類算法存在忽略兄弟節(jié)點之間關系和未考慮路徑權(quán)重以及路徑匹配方法等問題。為解決上述問題

3、,本文設計了一個新的XML文檔聚類方法:XML文檔兩階段聚類方法(TPCM：Two Phase Clustering Method of XML Documents),主要研究成果如下： 1、采用XSLT生成XML文檔結(jié)構(gòu)框架的簡化樹,改進XML文檔結(jié)構(gòu)向量定義和XML文檔結(jié)構(gòu)相似度計算公式,對XML文檔集合進行第一階段聚類。 2、針對樹路徑模型的相似度算法存在的問題,提出改進的XML文檔樹路徑模型,改進了路徑之間相似度