1、XML自1998年發(fā)布以來(lái),憑借其自身的簡(jiǎn)單性、半結(jié)構(gòu)化、可擴(kuò)展性、自描述性等特點(diǎn),逐漸成為了互聯(lián)網(wǎng)數(shù)據(jù)交換和表示的標(biāo)準(zhǔn),網(wǎng)上關(guān)于XML的數(shù)據(jù)出現(xiàn)了爆炸性的增長(zhǎng),目前如何對(duì)XML數(shù)據(jù)進(jìn)行有效挖掘成為了研究熱點(diǎn)。
　　 本文在對(duì)XML相關(guān)技術(shù)以及XML文檔聚類算法進(jìn)行介紹的基礎(chǔ)上,梳理了近幾年XML文檔相似度計(jì)算方法的研究進(jìn)展,針對(duì)這些相似度度量方法依靠的多是文檔中字符串的簡(jiǎn)單比對(duì),未涉及文檔語(yǔ)義信息的情況,本文提出了一種基于語(yǔ)義

2、標(biāo)記樹(shù)的XML文檔相似度度量方法,此方法以傳統(tǒng)路徑法基礎(chǔ),從文檔結(jié)構(gòu)特征和標(biāo)記的語(yǔ)義信息考察文檔的相似度。首先利用基于WordNet的語(yǔ)義消歧模塊對(duì)XML文檔間相同的標(biāo)記進(jìn)行語(yǔ)義消歧,然后利用語(yǔ)義相似度計(jì)算方法對(duì)XML文檔中不相同的標(biāo)記進(jìn)行語(yǔ)義相關(guān)度計(jì)算,將文檔中相同的標(biāo)記以及標(biāo)記間的語(yǔ)義相關(guān)度共同作為文檔的特征來(lái)衡量文檔的相似度,最后在實(shí)驗(yàn)數(shù)據(jù)集上利用層次聚類算法中的最近鄰聚類算法進(jìn)行分類,證實(shí)其確實(shí)是一種比較有效的XML文檔聚類方法