论文部分内容阅读
XML文档由于其自身的自描述性、可扩展性等特点，已经成为当今互联网上数据表示和数据交换的标准。聚类分析作为一种基础的数据挖掘手段，得到了学术界和工业界的广泛关注。一般地，聚类方法可以缩短检索时间，挖掘潜在信息，为决策提供数据支持。因此，近年来，关于XML文档集的聚类方法研究是一个新的研究热点。 现有的XML文档聚类算法主要用于静态数据集的处理，对文档的读取和解释需要反复多次存取，不能有效解决XML文档集的在线聚类问题。针对上述问题，本文提出了一种滑动窗口模型下的面向XML文档集的层次聚类算法。 首先，相似度计算是研究聚类分析的基础，本文基于这种考虑，从文档结构方面研究了XML文档集相似度计算方法。采用层次结构相似度计算，可以准确地计算XML文档之间的相似度。 其次，给出了一种新的聚类算法XDHCS来解决滑动窗口内XML文档集的聚类分析问题。以时间聚类特征为基础，在滑动窗口模型下，用XML时间聚类特征指数直方图来表示窗口中的微簇。通过对XML时间聚类特征指数直方图的生成和维护，可以有效地保存当前窗口内的XML文档的特征，提高了聚类质量。 最后，在本文的第五部分，进行了实证分析，结果显示XDHCS算法的XML文档集的聚类效果具有较高的纯度和F值，有较快的聚类处理速度和较小的内存开销，该算法可以达到实时在线聚类的要求。