[发明专利]用于XML文档分类的语义相似度度量方法

摘要

本发明公开了一种用于XML文档分类的语义相似度度量方法，依次将每个文档分解为结构信息和内容信息；从内容信息中抽取关键字特征，构造关键字特征空间；从结构信息中抽取所有的路径，构造路径字典；统计关键字特征空间中每个关键字特征在每个文档的任意路径中出现的频率，同时包含该关键字特征和路径的文档个数以及包含该关键字特征的文档个数等信息，计算关键字特征空间中每个关键字特征在文档中的权重；根据余弦度量计算任意两个文档之间的相似度。本发明应用于XML文档的分类，可以提高准确率。

主权项

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di，设D中的文档分属于|C|个类别，C表示所有类别的集合，Ci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tk在每个文档的任意路径pathj中出现的频率tfi(tk，pathj)，同时包含该关键字特征和路径的文档个数df(tk，pathj)以及包含该关键字特征的文档个数df(tk)，并根据df(tk)进行关键字特征筛选；e.计算路径字典中每条路径pathj的深度pl(pathj)，数据集中包含该路径的文档数df(pathj)及其权重wpathj，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tk在文档di中的权重wik，然后将文档表示为由关键字特征权重组成的向量； w ik = Σ j w path j * tf i ( t k , path j ) pl ( path j ) * df ( t k , path j ) df ( path j ) g.根据余弦度量计算任意两个文档(向量)di和dj之间的相似度。