论文部分内容阅读
随着网络的发展，Internet上出现了越来越多的信息，XML（eXtensibleMarkup Language）是当前网络上最流行的交换和存储数据的工具。不同信息源的XML文档可能表示相同或相似的信息，但是这些信息可能存在大量的冗余。集成这样相似或者相同的信息是有意义的，因为用户能够从集成的数据中去除XML文档中冗余的信息并获得更为完整和有用的信息。本文介绍了几种XML相似性的度量方法，并提出了一种基于子树匹配的XML相似性度量方法。在XML子树相似性计算的过程中，本文不仅考虑子树叶子节点的PCDATA的值，还考虑了匹配的叶子节点所在路径的相似性。结合文本与路径相似性的计算，本文给出了子树相似性的定义。基于子树的相似性，本文提出了XML的相似性度量算法和XML的相似连接算法。实验结果证明了子树的相似性的计算有利于XML文档的连接。XML的聚类算法大多数都是基于树编辑距离的方法，这些聚类算法将XML文档两两比对，随着XML文档数目的增加，聚类时间会急剧增加。基于XML的层次结构，本文做了一些语义上的改进，并根据XML的层次结构定义了XML文档的相似性。在事物数据和CLOPE等增量式聚类算法的启发下，基于这种层次结构相似性进行了不需要两两比对的聚类。实验结果表明增量式XML聚类方法避免了XML文档两两相似度的计算，大大加快了XML的聚类速度。