XML是W3C推荐的一种通用标记语言,凭借其自描述性、可扩展性、半结构化等特点,逐渐成为Web上数据表示和交换的标准,在多个领域都有广泛应用。随着XML文档的大量涌现,如何从海量文档中挖掘出有价值的信息成为研究热点。XML数据挖掘是知识发现技术在XML领域的重要应用。XML文档挖掘包含内容挖掘和结构挖掘。其中结构挖掘利用XML的层次结构特性,挖掘出XML文档结构中的知识,为XML数据的提取、集成以及其它应用提供便利。 XML文档的表示模型是结构挖掘的基础。论文在总结树型结构和频繁路径两个模型的基础上,针对XML文档的结构聚类进行研究,提出了一种新的表示模型--元素层次表达式模型(ELEM)。该模型以元素为中心,以元素之间的层次关系为主体,以关系集合为表示形式。该模型以简洁的形式表示XML文档的结构信息,改善了树型模型不易处理、操作难的缺点,并弥补了频繁路径模型在表示层次信息方面的不足。 在XML结构挖掘中,分类、聚类是常用的挖掘方法。XML文档的相似度计算是进行XML文档分类、聚类的基础,能对分类和聚类的效果产生重要影响。本文综合考虑了语义信息对元素相似度的影响,层次信息对结构相似度的影响,提出了元素层次表达式模型的相似度计算方法(LEMS)。为了验证基于该模型的相似度计算的效果,本文采用了K-中心点算法进行聚类分析。实验结果表明,基于这种相似度计算方法的聚类效果优于基于树编辑距离、PBClustering等方法得到的效果。