面向大规模XML文档集的文本分类与聚类技术研究

随着XML标准被普遍采用，XML文档数量迅速增长，面向XML文档集的自动分类聚类等分析挖掘技术的研究逐渐受到关注。结构链接向量模型（SLVM）是我们提出的一种综合考虑结构信息与内容信息的XML文档模型，其在小规模XML文档集上具有良好的效果。然而，对于大规模的XML文档集，其结构复杂、内容丰富，随之而来的特征选择、降低算法时空复杂度等问题都值得深入研究。本项目以SLVM模型为基础，研究面向大规模XML文档集的自动分类和自动聚类的方法。拟重点解决面向大规模XML文档集分类聚类的特征选择与特征描述问题、特征归约与降维问题、增量式分类聚类算法问题以及动态数据环境下的算法自适应性问题。提出了用于结构特征选择的"频繁局部路径"的概念和多角度的特征归约与降维方法。本项目研究对XML文档集的分析利用具有重要理论意义和直接应用价值。