XML聚类集成也与传统的聚类集成算法一样都是通过对原始数据集进行学习和集成,得到一个能较好地反映数据集内在结构的数据划分,因此它比单一XML聚类算法更能处理好数据集的噪声和孤立点、获得更好的聚类效果而成为当前聚类分析的研究热点之一。XML聚类集成又分为小规模的XML聚类集成和大规模的XML聚类集成,由于目前大部分的聚类集成算法是针对小规模数据的聚类集成,这些算法应用到大规模数据聚类集成中不会获得好的聚类效果,因此,本文在研究小规模数据的聚类集成的同时,特别针对大规模的XML数据进行更深入的研究。为了达到实现XML聚类集成的目的,在研究聚类集成前,其首要任务就是选择好的XML文档相似度计算方法,通过本文设计出的XML文档相似度的计算方法与传统的相似度计算方法对比,选择本文设计出的XML文档相似度的计算方法具有更高的准确性和精度,因此在本文的XML聚类集成研究中都采用本文设计的XML相似度计算方法;其次在研究小规模的XML聚类集成算法中,提出基于量子遗传算法的XML聚类集成解决方案,该方案实现的XML聚类质量和聚类精度明显比本文提出的两种单一聚类算法的解决方案要好和高;最后针对数据量从MB到GB和TB且结构复杂、数据分布不均匀、噪声多的XML大数据的聚类集成研究,提出并行AP传播的XML大数据聚类集成解决方案,该方案先对每一个XML大数据进行清洗、划分和抽取,并从划分的子集中抽取子树,通过设计出的随机子空间分类器并行地对抽取的子树进行训练,得到k个具有不同特征的训练子集的分类;其次从设计出的分类器中的各训练子集关系中获得内联相似度矩阵,并通过改进的并行lanczos-QR算法求解其矩阵特征值所对应的特征向量来实现数据的高维约简和低维嵌入;然后结合系统能量理论,设计出基于系统能量的AP算法,多次采用该算法并行地实现样本集的最优能量聚类组合,从而完成聚类集成,为了验证本文提出的算法,实验结果显示,该聚类集成算法比其它聚类算法对XML大数据集具有更好的聚类效果。