基于擴展鄰接矩陣的XML文檔結構及語義相似性計算方法.pdf

1、現(xiàn)今，網(wǎng)絡數(shù)據(jù)不斷激增，這其中大多數(shù)數(shù)據(jù)是半結構化的，半結構化數(shù)據(jù)的結構類似于圖或樹，通常稱為有向標記圖。怎樣才能在這些海量的半結構化數(shù)據(jù)中找到我們需要的數(shù)據(jù)甚至如何從中挖掘出一些我們不曾了解的隱藏信息成為數(shù)據(jù)挖掘的一個新的研究方向。半結構化數(shù)據(jù)有很多種表現(xiàn)形式，XML文檔是其中很重要的一種。因此在這個研究方向中，如何能量化兩個XML文檔的相似性是一個關鍵，特別是兩個XML文檔的結構和語義相似性。
　　 XML不僅可以描述結構化

2、數(shù)據(jù)，還具有描述半結構化數(shù)據(jù)的能力。目前，它是處理半結構化文檔的最有力的工具。XML文檔的相似性計算在XML數(shù)據(jù)的近似搜索和文檔分類方面有非常重要的作用。一些XML相似性計算方法已經(jīng)被前人提出，例如編輯距離等，然而，很少有方法能夠簡潔的描繪出XML文檔的結構及語義信息，進而有效的計算XML文檔間的相似性。本文提出一種新的基于擴展鄰接矩陣的XML文檔結構及語義相似性測度方法。
　　 首先，本文介紹了數(shù)據(jù)挖掘概念及文檔相似性計算產(chǎn)生

3、的背景與意義、XML文檔概念與特點以及傳統(tǒng)的XML文檔相似性計算方法等。
　　 其次通過深度搜索和區(qū)間編碼技術對文檔結構信息進行編碼，參考鄰接矩陣的概念提出本文相似性計算方法的核心擴展鄰接矩陣，不同于普通的鄰接矩陣，在擴展鄰接矩陣中，結構信息不僅僅是指鄰接的層，還包含了祖先-子孫之間的關系。為了計算兩個文檔間的相似性，本文提出的方法首先會將兩篇XML文檔的結構和語義信息存儲在兩個擴展鄰接矩陣(M1，M2)中，然后通過cos(M1