本文關(guān)鍵詞：XML文檔聚類(lèi)及其評(píng)估問(wèn)題研究，由筆耕文化傳播整理發(fā)布。

《吉林大學(xué)》 2015年

XML文檔聚類(lèi)及其評(píng)估問(wèn)題研究

丁鐵楠  

【摘要】：隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的發(fā)展和互聯(lián)網(wǎng)絡(luò)用戶的增加，半結(jié)構(gòu)化數(shù)據(jù)被廣泛應(yīng)用。萬(wàn)維網(wǎng)聯(lián)盟W3C制定的可擴(kuò)展標(biāo)記語(yǔ)言XML是典型的半結(jié)構(gòu)化數(shù)據(jù)。XML格式因其層次性、自述性、動(dòng)態(tài)可變性等特點(diǎn)被廣泛的使用，從Microsoft Office2007版本以后，Microsoft Office開(kāi)始使用一種基于XML格式的OpenXML格式存儲(chǔ)辦公文檔，而在Linux操作系統(tǒng)中，OpenDocument也使用基于XML格式的OpenOffice格式存儲(chǔ)辦公文檔，根據(jù)萬(wàn)維網(wǎng)聯(lián)盟，在下一代Web中，已經(jīng)確定指出由XML格式取代HTML成為頁(yè)面交換的標(biāo)準(zhǔn)格式。 面對(duì)海量XML文檔數(shù)據(jù)，如何從海量XML文檔數(shù)據(jù)庫(kù)中挖掘用戶感興趣的知識(shí)成為數(shù)據(jù)挖掘領(lǐng)域研究熱點(diǎn)之一。而XML文檔聚類(lèi)問(wèn)題就是XML文檔數(shù)據(jù)挖掘研究的問(wèn)題之一。XML文檔聚類(lèi)問(wèn)題主要研究如何將具有相似特征的XML文檔歸為一簇，主要用于對(duì)具有相似特征的XML文檔數(shù)據(jù)集進(jìn)行數(shù)據(jù)分析。 本文研究了一種針對(duì)靜態(tài)XML文檔數(shù)據(jù)的聚類(lèi)方法。針對(duì)靜態(tài)XML文檔數(shù)據(jù)集，提出了一種基于XML文檔樹(shù)形結(jié)構(gòu)數(shù)據(jù)集頻繁模式的文檔聚類(lèi)方法。首先，提出了可以為XML文檔進(jìn)行編碼的編碼樹(shù)結(jié)構(gòu)（coding tree structure）。然后，使用挖掘的XML數(shù)據(jù)頻繁模式為數(shù)據(jù)特征，使用余弦相似性度量方法和凝聚型層次聚類(lèi)方法對(duì)XML文檔數(shù)據(jù)集進(jìn)行聚類(lèi)。因?yàn)閄ML頻繁模式數(shù)據(jù)集是原始XML文檔數(shù)據(jù)集的子集，所以在XML文檔頻繁模式顯著的數(shù)據(jù)集中，XML文檔相似性度量的時(shí)間消耗被顯著地降低了。經(jīng)過(guò)計(jì)算機(jī)真實(shí)實(shí)驗(yàn)顯示了本文算法具有良好的聚類(lèi)結(jié)果并且具有良好的可擴(kuò)展性。 隨后，本文研究了一種動(dòng)態(tài)XML文檔數(shù)據(jù)集的聚類(lèi)方法。針對(duì)動(dòng)態(tài)XML文檔數(shù)據(jù)集特點(diǎn)，首先，提出帶有時(shí)間版本參數(shù)的TDOM模型，TDOM模型能夠記錄XML文檔數(shù)據(jù)在動(dòng)態(tài)變化過(guò)程中歷史變化過(guò)程，然后提出了XML文檔顯著頻繁變化模式的定義，提出了在TDOM數(shù)據(jù)集中挖掘顯著頻繁變化模式的方法，最后，提出了一種基于顯著頻繁變化結(jié)構(gòu)的動(dòng)態(tài)XML文檔數(shù)據(jù)集聚類(lèi)方法。經(jīng)過(guò)計(jì)算機(jī)真實(shí)實(shí)驗(yàn)顯示了本文算法能夠通過(guò)動(dòng)態(tài)特征完成動(dòng)態(tài)XML文檔數(shù)據(jù)集的聚類(lèi)任務(wù)并且具有良好的聚類(lèi)結(jié)果和良好的可擴(kuò)展性。 聚類(lèi)性能的評(píng)價(jià)是數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域中的一個(gè)熱點(diǎn)問(wèn)題。注意到當(dāng)前幾乎所有的評(píng)價(jià)指標(biāo)都忽視了預(yù)測(cè)概率，而預(yù)測(cè)概率在聚類(lèi)算法的評(píng)價(jià)過(guò)程中有著非常重要的作用。在本文中，將首先構(gòu)造了一個(gè)加權(quán)的混淆矩陣，來(lái)反映預(yù)測(cè)概率的相關(guān)信息。之后，在該加權(quán)混淆矩陣的基礎(chǔ)上，，考慮到了預(yù)測(cè)概率并重新定義了傳統(tǒng)的評(píng)價(jià)指標(biāo)，例如，準(zhǔn)確度，精密度，召回率，F(xiàn)-指標(biāo)等。此外，研究了這些重新定義的評(píng)價(jià)指標(biāo)的性能。實(shí)驗(yàn)結(jié)果表明，在區(qū)分度方面，重新定義的評(píng)價(jià)指標(biāo)優(yōu)于傳統(tǒng)的評(píng)價(jià)指標(biāo)。 最后，研究了基于ROC（receiver operating characteristic，受試者工作特征）曲線的聚類(lèi)模型性能的評(píng)價(jià)問(wèn)題。首先，我們提出了加權(quán)正確實(shí)例對(duì)映射的概念。然后，在加權(quán)正確實(shí)例對(duì)映射的基礎(chǔ)上，我們提出了一個(gè)新的評(píng)價(jià)指標(biāo)。該指標(biāo)的優(yōu)點(diǎn)在于，它對(duì)分布不均勻的類(lèi)不敏感，具有魯棒性，而且有足夠的區(qū)分度。實(shí)驗(yàn)結(jié)果表明，本章所提出的指標(biāo)具有可靠性。本章所介紹的工作可能會(huì)推動(dòng)模型設(shè)計(jì)領(lǐng)域的新研究，比如，設(shè)計(jì)新的基于優(yōu)化的聚類(lèi)模型或排序模型。

【關(guān)鍵詞】：
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP311.13
【目錄】：

下載全文 更多同類(lèi)文獻(xiàn)

CAJ全文下載

(如何獲取全文？ 歡迎：購(gòu)買(mǎi)知網(wǎng)充值卡、在線充值、在線咨詢(xún))

CAJViewer閱讀器支持CAJ、PDF文件格式

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 高明霞;姚文集;毛國(guó)君;;XML數(shù)據(jù)流中面向聚類(lèi)的指數(shù)直方圖[J];北京工業(yè)大學(xué)學(xué)報(bào);2011年08期

2 李巍;孫濤;葉苑苑;李雄飛;李楠;;基于冰凍結(jié)構(gòu)的XML文檔聚類(lèi)研究[J];吉林大學(xué)學(xué)報(bào)(信息科學(xué)版);2009年06期

3 李巍;孫濤;陳建孝;羅梓恒;李雄飛;;基于加權(quán)余弦相似度的XML文檔聚類(lèi)研究[J];吉林大學(xué)學(xué)報(bào)(信息科學(xué)版);2010年01期

4 趙傳申;孫志揮;張凈;;基于投影分支的快速頻繁子樹(shù)挖掘算法[J];計(jì)算機(jī)研究與發(fā)展;2006年03期

5 張翀;唐九陽(yáng);肖衛(wèi)東;湯大權(quán);;基于簇核心的XML結(jié)構(gòu)聚類(lèi)方法[J];計(jì)算機(jī)研究與發(fā)展;2011年11期

6 康琪;馬軍;;有向標(biāo)記根樹(shù)之間的語(yǔ)義編輯距離[J];模式識(shí)別與人工智能;2011年06期

7 李巍;李雄飛;郭建芳;;XML空間頻繁變化結(jié)構(gòu)挖掘方法[J];計(jì)算機(jī)學(xué)報(bào);2013年02期

8 劉顯敏;李建中;;基于鍵規(guī)則的XML實(shí)體抽取方法[J];計(jì)算機(jī)研究與發(fā)展;2014年01期

9 劉兆軍;趙浩宇;王婧;李雄飛;李巍;;考慮層數(shù)信息的XML文檔聚類(lèi)方法[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2014年01期

10 Binxing Fang;Yan Jia;Yi Han;Shasha Li;Bin Zhou;;A survey of social network and information dissemination analysis[J];Chinese Science Bulletin;2014年32期

【共引文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 高明霞;姚文集;毛國(guó)君;;XML數(shù)據(jù)流中面向聚類(lèi)的指數(shù)直方圖[J];北京工業(yè)大學(xué)學(xué)報(bào);2011年08期

2 譚龍;陳冠;王思源;孟興民;;邏輯回歸與支持向量機(jī)模型在滑坡敏感性評(píng)價(jià)中的應(yīng)用[J];工程地質(zhì)學(xué)報(bào);2014年01期

3 趙健;;基于MVC的網(wǎng)絡(luò)信息安全模型設(shè)計(jì)[J];電腦知識(shí)與技術(shù);2013年34期

4 沈小樂(lè);邵振峰;田英潔;;紋理特征與視覺(jué)注意相結(jié)合的建筑區(qū)提取[J];測(cè)繪學(xué)報(bào);2014年08期

5 管業(yè)鵬;;復(fù)雜人機(jī)交互場(chǎng)景下的指勢(shì)用戶對(duì)象識(shí)別[J];電子學(xué)報(bào);2014年11期

6 劉家辰;苗啟廣;曹瑩;宋建鋒;權(quán)義寧;;基于混合多樣性生成與修剪的集成單類(lèi)分類(lèi)算法[J];電子與信息學(xué)報(bào);2015年02期

7 彭宇;龐景月;劉大同;彭喜元;;大數(shù)據(jù):內(nèi)涵、技術(shù)體系與展望[J];電子測(cè)量與儀器學(xué)報(bào);2015年04期

8 韓春成;馮俊;孟驍;林和平;;基于關(guān)系數(shù)據(jù)庫(kù)理論的面向?qū)ο髷?shù)據(jù)庫(kù)系統(tǒng)[J];信息技術(shù);2010年12期

9 王濤;;一種基于頻繁子樹(shù)的數(shù)據(jù)庫(kù)索引方法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年03期

10 張翀;唐九陽(yáng);肖衛(wèi)東;湯大權(quán);;基于簇核心的XML結(jié)構(gòu)聚類(lèi)方法[J];計(jì)算機(jī)研究與發(fā)展;2011年11期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前1條

1 劉眾奇;袁曉潔;張海威;楊娜;王敏輝;;閾值區(qū)間:一種基于XCLS和XCLSE的改進(jìn)方案[A];第二十五屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（二）[C];2008年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 郭永明;XML文檔交互式信息檢索技術(shù)研究[D];東華大學(xué);2010年

2 張翀;基于對(duì)等計(jì)算的分布式時(shí)空索引技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2011年

3 李專(zhuān);數(shù)據(jù)庫(kù)推理控制技術(shù)研究[D];華中科技大學(xué);2006年

4 王濤;挖掘序列模式和結(jié)構(gòu)化模式的精簡(jiǎn)集[D];華中科技大學(xué);2006年

5 李巍;半結(jié)構(gòu)化數(shù)據(jù)挖掘若干問(wèn)題研究[D];吉林大學(xué);2013年

6 楊鑫;三維超聲圖像中頸動(dòng)脈粥樣硬化的表型量化與分析[D];華中科技大學(xué);2013年

7 楊秋菊;基于全天空?qǐng)D像和紫外圖像的極光事件檢測(cè)與分析[D];西安電子科技大學(xué);2013年

8 劉顯敏;XML數(shù)據(jù)實(shí)體同一性相關(guān)技術(shù)的研究[D];哈爾濱工業(yè)大學(xué);2013年

9 萬(wàn)建武;代價(jià)敏感降維及其人臉識(shí)別應(yīng)用研究[D];南京師范大學(xué);2013年

10 祁新帥;東亞特有間斷分布植物蛛網(wǎng)萼屬的生物地理學(xué)研究[D];浙江大學(xué);2013年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 屈成偉;樹(shù)形數(shù)據(jù)的頻繁模式研究[D];吉林大學(xué);2011年

2 顏一鳴;頻繁子樹(shù)挖掘在XML挖掘中的應(yīng)用[D];湖南大學(xué);2009年

3 杜爾斌;基于改進(jìn)KNN的文本分類(lèi)算法的設(shè)計(jì)與實(shí)現(xiàn)[D];上海交通大學(xué);2010年

4 胡綿江;面向密碼應(yīng)用的定制處理器關(guān)鍵技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2011年

5 朱穎雯;頻繁子樹(shù)挖掘及其在XML挖掘中的應(yīng)用研究[D];南京師范大學(xué);2008年

6 劉波;嵌入頻繁子樹(shù)挖掘研究[D];西南交通大學(xué);2008年

7 郭鑫;頻繁子樹(shù)挖掘及其相關(guān)技術(shù)的研究[D];揚(yáng)州大學(xué);2009年

8 曠玲麗;Web挖掘相關(guān)問(wèn)題的研究[D];西南交通大學(xué);2009年

9 孔鵬程;嵌入式與導(dǎo)出式頻繁子樹(shù)挖掘算法研究[D];太原科技大學(xué);2009年

10 劉慧;基于KNN的中文文本分類(lèi)算法研究[D];西南交通大學(xué);2010年

【二級(jí)參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 朱永泰,王晨,洪銘勝,汪衛(wèi),施伯樂(lè);ESPM——頻繁子樹(shù)挖掘算法[J];計(jì)算機(jī)研究與發(fā)展;2004年10期

2 汪衛(wèi),周皓峰,袁晴晴,樓宇波,施伯樂(lè);基于圖論的頻繁模式挖掘[J];計(jì)算機(jī)研究與發(fā)展;2005年02期

3 雷景生;馬軍;靳婷;;基于分級(jí)神經(jīng)網(wǎng)絡(luò)的Web文檔模糊聚類(lèi)技術(shù)[J];計(jì)算機(jī)研究與發(fā)展;2006年10期

4 徐沛娟;李雄飛;惠玥;張桂林;;中文文本分類(lèi)相關(guān)算法的研究與實(shí)現(xiàn)[J];吉林大學(xué)學(xué)報(bào)(理學(xué)版);2009年04期

5 姚文集;高明霞;毛國(guó)君;李廣奎;;基于滑動(dòng)窗口的XML數(shù)據(jù)流聚類(lèi)算法[J];計(jì)算機(jī)工程;2010年13期

6 鄭仕輝,周傲英,張龍;XML文檔的相似測(cè)度和結(jié)構(gòu)索引研究[J];計(jì)算機(jī)學(xué)報(bào);2003年09期

7 馬軍;陳竹敏;趙嫣;雷景生;;基于部分-整體匹配的文檔結(jié)構(gòu)相似度計(jì)算[J];模式識(shí)別與人工智能;2007年05期

8 李建中;劉顯敏;;大數(shù)據(jù)的一個(gè)重要方面:數(shù)據(jù)可用性[J];計(jì)算機(jī)研究與發(fā)展;2013年06期

9 馬軍,邵陸;模糊聚類(lèi)計(jì)算的最佳算法[J];軟件學(xué)報(bào);2001年04期

10 金澈清,錢(qián)衛(wèi)寧,周傲英;流數(shù)據(jù)分析與管理綜述[J];軟件學(xué)報(bào);2004年08期

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 劉遠(yuǎn)超;王曉龍;徐志明;關(guān)毅;;文檔聚類(lèi)綜述[J];中文信息學(xué)報(bào);2006年03期

2 王曉東;郭雷;方俊;楊寧;鄧濤;;一種基于本體的抽象度可調(diào)文檔聚類(lèi)[J];計(jì)算機(jī)工程與應(yīng)用;2007年29期

3 王李冬;魏寶剛;袁杰;;基于概率主題模型的文檔聚類(lèi)[J];電子學(xué)報(bào);2012年11期

4 王升明,李淼;一種基于改進(jìn)的自組織特征映射網(wǎng)絡(luò)的文檔聚類(lèi)方法[J];計(jì)算機(jī)工程與應(yīng)用;2005年03期

5 孫永林;劉仲;;基于動(dòng)態(tài)區(qū)間映射的文檔聚類(lèi)算法[J];計(jì)算機(jī)科學(xué);2010年06期

6 陳媛媛;屈志毅;張恒龍;廖紹雯;;一種初值優(yōu)化的K-均值文檔聚類(lèi)算法(英文)[J];江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年02期

7 孫霞;張玉生;;基于模式元素的文檔聚類(lèi)方法研究[J];常熟理工學(xué)院學(xué)報(bào);2012年08期

8 吳景嵐,劉燕,朱文興;一個(gè)K-均值文檔聚類(lèi)的改進(jìn)算法[J];閩江學(xué)院學(xué)報(bào);2004年02期

9 宋江春,沈鈞毅,宋擒豹;一個(gè)基于關(guān)聯(lián)規(guī)則的多層文檔聚類(lèi)算法[J];計(jì)算機(jī)應(yīng)用;2005年07期

10 徐建民;成岳鵬;辛麗軍;;一種基于術(shù)語(yǔ)簇和關(guān)聯(lián)規(guī)則的文檔聚類(lèi)方法[J];計(jì)算機(jī)工程與應(yīng)用;2007年05期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 唐國(guó)瑜;夏云慶;張民;鄭方;;基于跨語(yǔ)言廣義向量空間模型的跨語(yǔ)言文檔聚類(lèi)方法[A];中國(guó)計(jì)算語(yǔ)言學(xué)研究前沿進(jìn)展（2009-2011）[C];2011年

2 周水庚;孫敬宇;胡運(yùn)發(fā);;一種文檔聚類(lèi)新方法[A];第十六屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集[C];1999年

3 劉眾奇;袁曉潔;張海威;楊娜;王敏輝;;閾值區(qū)間:一種基于XCLS和XCLSE的改進(jìn)方案[A];第二十五屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（二）[C];2008年

4 原福永;楊治秋;王海霞;;一種基于向量空間模型的文檔聚類(lèi)算法研究[A];第十二屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年

5 王曉宇;錢(qián)衛(wèi)寧;張龍;周傲英;;XML DTD文檔聚類(lèi)研究[A];第十八屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2001年

6 馬輝民;李衛(wèi)華;;Web文檔聚類(lèi)系統(tǒng)的實(shí)現(xiàn)方法探析[A];第10屆計(jì)算機(jī)模擬與信息技術(shù)會(huì)議論文集[C];2005年

7 伍賽;楊冬青;韓近強(qiáng);張銘;王文清;馮英;;WCM:一種基于單詞相關(guān)度的文檔聚類(lèi)新方法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

8 李文波;孫樂(lè);;在查詢(xún)反饋中改善文檔聚類(lèi)效果的策略研究[A];NCIRCS2004第一屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2004年

9 劉振鹿;王大玲;馮時(shí);張一飛;方東昊;;一種基于LDA的潛在語(yǔ)義區(qū)劃分及Web文檔聚類(lèi)算法[A];第六屆全國(guó)信息檢索學(xué)術(shù)會(huì)議論文集[C];2010年

10 汪洋;張磊;章毅;;基于短語(yǔ)匹配的中文Web文檔聚類(lèi)算法[A];第二屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議（NCIRCS-2005）論文集[C];2005年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 楊劍鋒;適合并行的無(wú)干預(yù)文檔聚類(lèi)算法研究[D];武漢大學(xué);2010年

2 劉銘;大規(guī)模文檔聚類(lèi)中若干關(guān)鍵問(wèn)題的研究[D];哈爾濱工業(yè)大學(xué);2010年

3 楊瑞龍;基于短語(yǔ)特征的Web文檔聚類(lèi)方法研究[D];重慶大學(xué);2010年

4 丁鐵楠;XML文檔聚類(lèi)及其評(píng)估問(wèn)題研究[D];吉林大學(xué);2015年

5 周翀;搜索引擎中文檔聚類(lèi)方法研究[D];華中科技大學(xué);2009年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 胡國(guó)標(biāo);漢語(yǔ)言網(wǎng)絡(luò)統(tǒng)計(jì)特性與半監(jiān)督文檔聚類(lèi)算法研究[D];復(fù)旦大學(xué);2008年

2 黃發(fā)良;基于知識(shí)粒度的Web文檔聚類(lèi)研究[D];廣西師范大學(xué);2005年

3 孫春紅;嵌入分布信息的Web文檔聚類(lèi)算法研究[D];南京師范大學(xué);2008年

4 袁莉;基于句子級(jí)最大頻繁單詞集的Web文檔聚類(lèi)研究[D];華中科技大學(xué);2007年

5 莫驍;基于WAF的文檔聚類(lèi)技術(shù)研究[D];北京郵電大學(xué);2013年

6 滕海明;基于語(yǔ)義標(biāo)記樹(shù)的XML文檔聚類(lèi)研究[D];浙江大學(xué);2011年

7 李衛(wèi)華;面向B2C的Web文檔聚類(lèi)系統(tǒng)研究[D];華中科技大學(xué);2005年

8 王云峰;基于bit化深度差序列的XML文檔聚類(lèi)問(wèn)題研究[D];吉林大學(xué);2014年

9 劉振鹿;基于LDA的潛在語(yǔ)義空間分析及Web文檔聚類(lèi)的研究與實(shí)現(xiàn)[D];東北大學(xué);2010年

10 趙斌;Web挖掘中的XML文檔聚類(lèi)研究[D];山東師范大學(xué);2009年

  本文關(guān)鍵詞：XML文檔聚類(lèi)及其評(píng)估問(wèn)題研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：232155