简介:关于相似性关键词方面的论文题目、论文提纲、相似性关键词论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文。
邹元杰
本文从XML 检索结果聚类、XML 检索结果文档建模、XML 文档关键词相关度的计算方法、相似性度量和聚类算法的伪代码描述五方面来说明对XML文档检索结果进行聚类的设计思想.
一、 XML 检索结果聚类
基于XML 检索结果聚类的研究还不多见,但传统意义上的在一给定的信息空间中对XML 文档聚类的方法大体可分为以下两大类( 根据聚类时对XML 文档建模方法的不同) ：基于树的表示的方法和基于向量表示的方法.前者将XML 文档建模为标签树,主要采用树的编辑距离作为相似性度量.该类方法的特点是只考虑了文档结构,没有考虑内容,且计算编辑距离的时间复杂度大；后者应用向量模型表示XML 的特征,往往将XML 文档的多个“粒度”层及它们间的关系一同考虑,形成一个二维矩阵或三维矩阵,没有将结构特征与内容特征分开表示.该类方法一个突出问题是产生的相似性矩阵是稀疏的.
二、XML 检索结果文档建模
在实现XML 文档聚类的算法中要用到文档之间的相似度,而在相似性度量的定义中,必须指出在哪些对象上进行度量评价,及这些对象间存在的关系.也就是如何对结果文档（片段）建模,即选取哪些特征、用什么方法来表示文档最本质的部分.XML 文档（片段）本质上是层次性的,可把它视为简单成分要素,诸如元素、属性、链接和扁平文本的组合.这些成分要素的层次性非常丰富：属性和文本包含在元素中；元素本身组织成路径和子树结构.
三、XML 文档关键词相关度的计算方法
在XML 文档d 中,影响关键词k 的权值wk(d) 的因素主要有两个：一是关键词在XML 文档不同树节点中出现的频率,XML 文档的关键词信息只包含在叶节点中；另一个是关键词在文档中出现的位置及位置权重.分析XML 文档的树形结构时,我们发现在XML 树中,通常不同树层越靠近根节点的层次中的叶节点关键词对XML 文档划分类别的影响越大,反之就越小.因此在对XML 聚类时除考虑文档结构本身的影响外,还应考虑文档关键词出现的位置、位置的相关度以及关键词出现的频率.
论文相似性检测:财经关键词 110314
著名的tf-idf 语词加权方案为：
式(3-1) 中的tf 因子用于衡量关键词k 描述文档内容的好坏程度（如内部聚类(intra-cluster) 的相似度(similarity)）,而idf 因子用于度量交叉聚类(inter-cluster)的相异度(dissimilarity) .
四、相似性度量
本文采用传统的Cosine 度量及其扩展来捕获两个XML 结果片段P 和Q 之间公共的标签路径、元素特征及关键词.两个片段P 和Q 之间的相似性包括三部分：标签路径相似性TPS(P, Q)、元素特征相似性TAGS(P, Q)和内容相似性CS(P, Q).三者计算公式如下：
五、聚类算法的伪代码描述
我们对经典的k-means 算法进行改进,使其适应检索结果聚类的需求.首先用最小最大原则选取初始聚点,聚类最终簇的数目根据相似度动态确定,并且还应该满足检索结果聚类应为软聚类的要求.具体如下：
输入：N 个待聚类的文档
输出：K 个簇,使得同一簇内文档之间相似度较大,不同簇的文档相似度较小.
Step1:
定义相似度阈值λ
定义合并簇阈值Merge_threshold
获取样本相似度矩阵,矩阵中保存任意两个文档之间的相似度,相似度采用公式计算.
Step2:
根据相似度阈值λ 过滤掉不相关的文档.如果文档α 与其它任何一篇文档β 的相似度sim(α ,β ) <, λ ,则将α 过滤掉,以改善最终结果的精度.
Step3:
用最大最小原则的初值选取算法选取初始聚点.该算法要求预先输入聚点的个数,我们可以取初始聚点数M = N （N 为待聚类的文档数）的整数部分.因为有
总结：关于免费相似性关键词论文范文在这里免费下载与阅读。
论文相似性检测引用文献:
[1] 论文相似性检测公式算不算
[2] 如何在中国知识网检测论文相似性
[3] 中国知网论文相似性检测在哪里
