RSS新聞中心系統(tǒng)與文本挖掘技術(shù)的應(yīng)用.pdf

1、RSS為Really Simple Syndication (簡(jiǎn)易供稿)的縮寫(xiě)(也有稱RDF的)，是某一站點(diǎn)用來(lái)和其它站點(diǎn)之間共享內(nèi)容的一種簡(jiǎn)易方式，是目前使用最廣泛的XML 應(yīng)用之一。RSS借助XML 技術(shù)形式，完成互聯(lián)網(wǎng)站點(diǎn)間信息的自動(dòng)傳送，XML是解決互聯(lián)網(wǎng)機(jī)器通信的重要基礎(chǔ)。RSS目前主要應(yīng)用于新聞、博客等。 文本挖掘是數(shù)據(jù)挖掘的一個(gè)重要分支，是抽取有效、新穎、有用、可理解的、散布在文本文件中的有價(jià)值知識(shí)，并利用這些知識(shí)

2、更好地組織信息的過(guò)程。文本挖掘主要研究文本數(shù)據(jù)的檢索、分類和特征分析。 本文描述了一個(gè)收集、顯示、自動(dòng)分類和倉(cāng)儲(chǔ)RSS新聞的新聞系統(tǒng)的建立及相關(guān)的文本挖掘研究工作。本文的研究工作主要集中在以下幾方面： 1)設(shè)計(jì)RSS新聞中心，通過(guò)客戶端DOM對(duì)象集訪問(wèn)RSS文檔。本文研究了RSS的應(yīng)用情況，設(shè)計(jì)了基于 XML 的RSS新聞中心，鏈接到各網(wǎng)站的新聞，并設(shè)計(jì)了基于DOM對(duì)象集合的客戶端實(shí)現(xiàn)新聞的存取，并實(shí)現(xiàn)自動(dòng)分類和分組功能

3、。 2)建立RSS數(shù)據(jù)倉(cāng)儲(chǔ)結(jié)構(gòu)，存儲(chǔ)歷史數(shù)據(jù)。為了分析和利用歷史的RSS數(shù)據(jù)，研究了歷史新聞數(shù)據(jù)的倉(cāng)儲(chǔ)問(wèn)題，分析了相關(guān)的數(shù)據(jù)倉(cāng)庫(kù)領(lǐng)域和 XML 數(shù)據(jù)庫(kù)領(lǐng)域的技術(shù)，提出了文本數(shù)據(jù)倉(cāng)儲(chǔ)系統(tǒng)的模型和存儲(chǔ)方式，定義了一系列的概念和操作，并將其用于構(gòu)建RSS數(shù)據(jù)倉(cāng)儲(chǔ)系統(tǒng)。構(gòu)建了數(shù)據(jù)倉(cāng)庫(kù)結(jié)構(gòu)，并設(shè)計(jì)了數(shù)據(jù)倉(cāng)儲(chǔ)系統(tǒng)的維護(hù)方案。 3)研究了文本特征提取方法。研究了文本特征提取方法，從現(xiàn)有RSS數(shù)據(jù)集中取得了關(guān)鍵詞，并用基于文本的FP-G

4、rowth 算法取得了關(guān)鍵詞與分類之間的關(guān)聯(lián)，將取得的頻繁項(xiàng)集作為文本的特征。并提出了關(guān)鍵詞庫(kù)維護(hù)的方法。 4)研究了RSS信息的文本聚類情況。研究了K-means、K-medoids、層次聚類、密度聚類等方法應(yīng)用在RSS文檔數(shù)據(jù)上的應(yīng)用情況，提出了用基于區(qū)分參數(shù)的層次聚類方法，用此方法研究了RSS文檔的自然分類情況，統(tǒng)一了文檔的分類。本文還研究了層次聚類方法的規(guī)律，使用該方法在客戶端對(duì)分類內(nèi)部數(shù)據(jù)進(jìn)行分組，使內(nèi)容相似的的文章被