基于XML的Web文本挖掘算法研究及應用.pdf_第1頁
已閱讀1頁,還剩69頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、傳統(tǒng)的數(shù)據(jù)挖掘對象主要是針對數(shù)據(jù)庫或者數(shù)據(jù)倉庫,然而大量的數(shù)據(jù)并非存儲在他們之中而是分散在萬維網(wǎng)上?;诜N種因為不能直接得到Web數(shù)據(jù)的后臺數(shù)據(jù)庫,因而無法直接利用各種基于數(shù)據(jù)庫或數(shù)據(jù)倉庫的數(shù)據(jù)挖掘技術來獲得Web上的隱含知識,由此Web數(shù)據(jù)挖掘應運而生。
   Web是一個巨大的、分布廣泛的、高度異構的、半結構化的、超文本、超媒體的、相互聯(lián)系并且不斷進化的信息倉庫;它包括了豐富、動態(tài)的超鏈接信息以及Web頁面的訪問和使用信息。

2、現(xiàn)行的網(wǎng)絡環(huán)境大都以HTML語言為基礎構建,它是一種只能描述形式而不能揭示內容的標記語言,因此,Web上的半結構化數(shù)據(jù)和異構數(shù)據(jù)源問題給Web數(shù)據(jù)挖掘帶來了困難。W3C開發(fā)的XML可擴展標記語言,支持豐富的數(shù)據(jù)結構,特別強調數(shù)據(jù)語義與元素之間的關系,因此基于XML的Web數(shù)據(jù)挖掘可以充分利用XML的特點,為Web數(shù)據(jù)挖掘帶來了新的契機。
   本文研究了基于XML的Web文本挖掘的基本方法和技術,其核心思想是將現(xiàn)有的Web頁面轉

3、換成XML格式,從而完成了對Web上異構的、半結構化的數(shù)據(jù)進行整合和組織,使其成為結構化較好的、高層次的資源集合,然后使用XML技術處理XML結構的數(shù)據(jù),找到適當?shù)臄?shù)據(jù),并將這些數(shù)據(jù)映射到關系數(shù)據(jù)庫中,最后通過面向關系數(shù)據(jù)庫的數(shù)據(jù)挖掘工具進行關聯(lián)規(guī)則提取,以獲得更多有用信息。
   本文的主要內容有:
   第一,闡述了XML的特點,文檔結構,并與HTML作了比較,介紹了XML的相關技術。對Web數(shù)據(jù)挖掘進行了全面的介紹

4、,包括Web數(shù)據(jù)挖掘的定義,工作流程,與傳統(tǒng)數(shù)據(jù)挖掘的異同,將Web挖掘與Web信息檢索作了比較。介紹了XML技術與Web數(shù)據(jù)挖掘相結合的發(fā)展狀況。
   第二,提出了一個基于XML的Web數(shù)據(jù)挖掘系統(tǒng)模型,給出了基于配對原則的Html到XML的轉換方法,并通過實驗與HTML Tidy工具作了比較?;诖朔椒?設計并實現(xiàn)了基于XML的Web數(shù)據(jù)抽取,最后將有關數(shù)據(jù)映射到關系數(shù)據(jù)庫中,為在Web挖掘中使用傳統(tǒng)的針對關系數(shù)據(jù)庫的數(shù)據(jù)

5、挖掘方法進行挖掘創(chuàng)造有利條件。
   第三,簡要介紹了關聯(lián)規(guī)則提取的過程和方法,重點介紹并分析了挖掘關聯(lián)規(guī)則的兩種經典算法--Apriori算法和FP-growth算法。提出了一種基于排序FP-tree挖掘最大頻繁模式的高效算法SFP_MFP,給出了最大頻繁模式樹MFPL-tree的定義,并用其存儲最大頻繁模式集,采取了多種措施減少候選最大頻繁模式的產生,利用有效的子集檢查方法,極大地降低了算法的時空開銷,提高了挖掘效率。實驗結

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論