XML文檔結構相似度研究及在文檔聚類中應用.pdf

1、本論文在文檔對象樹的基礎上，提出了一種基于樹路徑的XML文檔描述模型，并給出了相應的相似度算法，將問題有效地簡化，從而降低了解決問題的復雜度。這種算法能快速、準確分辨出具有相同結構的XML文檔。 首先，提出了一種基于樹路徑模型的相似度算法，來實現(xiàn)對XML文檔之間相似度的計算。該算法簡化了XML文檔描述，從而降低了解決問題的復雜度。此算法在文檔類別數(shù)較少，且不同類別的文檔的結構相差較大時，有很好的聚類效果。 其次，在此算法

2、的基礎上，針對它存在的一些問題如：路徑只是包含父/子這種祖先與子孫的關系，忽略了兄弟結點之間關系；沒有考慮各路徑的權重；并且在比較兩路徑的相似度時用的是路徑的完全匹配等，本文對此一一進行了改進，并提出了改進后的相似度的計算方法。改進后的算法計算出來的相似度更準確，處理了文檔中元素重復問題，使得計算結果也更符合人的直觀理解。 最后，進行了實驗測試，并且在計算文檔相似度的基礎上對文檔進行了聚類，實驗結果顯示與其它算法相比，本文的方法