[发明专利]用于XML文档分类的语义相似度度量方法

权利要求书

1.一种用于XML文档分类的语义相似度度量方法，其特征在于：对于给定的XML文档集D，其中的第i个文档表示为d_i，设D中的文档分属于|C|个类别，C表示所有类别的集合，C_i表示文档集D中所有属于第i个类别的文档组成的集合，则为了计算文档之间的相似度，包括以下步骤：

a.解析文档集中所有的XML文档，将每一个XML文档分解为结构信息和内容信息；

b.从内容信息中抽取关键字特征，构造关键字特征空间；

c.从结构信息中抽取所有的路径，构造路径字典；

d.统计关键字特征空间中每个关键字特征t_k在每个文档的任意路径path_j中出现的频率tf_i(t_k，path_j)，同时包含该关键字特征和路径的文档个数df(t_k，path_j)以及包含该关键字特征的文档个数df(t_k)，并根据df(t_k)进行关键字特征筛选；

e.计算路径字典中每条路径path_j的深度pl(path_j)，数据集中包含该路径的文档数df(path_j)及其权重w_pathj，其中权重利用信息论中信息增益的概念进行计算；

f.根据第d，e步得到的信息，利用下式计算关键字特征空间中每个关键字特征t_k在文档d_i中的权重w_ik，然后将文档表示为由关键字特征权重组成的向量；

wik=Σjwpathj*tfi(tk,pathj)pl(pathj)*df(tk,pathj)df(pathj)]]>

g.根据余弦度量计算任意两个文档(向量)d_i和d_j之间的相似度。