基于XML的Web內(nèi)容挖掘研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，WWW上信息的快速增長，WWW為人們提供了大量的信息，但也使得我們陷入一個矛盾，那就是一方面人們迫切地需要從Web上快速、有效地獲取知識，另一方面是Web上信息的數(shù)量龐太大并且信息內(nèi)容結構復雜，處理這些信息具有很多困難。為了解決這個矛盾，Web挖掘技術提供了一種途徑，目前Web挖掘的研究正處在不斷發(fā)展的階段，需要在理論、實現(xiàn)方法與技術上進行大量的研究。Web挖掘技術是傳統(tǒng)數(shù)據(jù)挖掘技術在Web環(huán)境下的應用，從大量的Wed

2、文檔集合和用戶瀏覽Web的數(shù)據(jù)信息中發(fā)現(xiàn)蘊涵的、未知的、有潛在應用價值的、非平凡的模式。根據(jù)Web挖掘研究的對象，Web挖掘分為三類：Web內(nèi)容挖掘，Web結構挖掘和Web使用記錄挖掘，Web內(nèi)容挖掘是論文研究的主要內(nèi)容。由于現(xiàn)有的搜索引擎僅用于Web上的信息檢索，無法發(fā)現(xiàn)Web上潛在的知識，多數(shù)用戶在用搜索引擎給出的搜索結果時都很難從中發(fā)現(xiàn)自己感興趣的內(nèi)容，為了解決這個現(xiàn)狀，論文展開了對Web內(nèi)容挖掘技術的研究。 論文分析了現(xiàn)

3、有的數(shù)據(jù)挖掘、Web挖掘和XML技術的一些基本概念、方法和技術，通過對半結構化數(shù)據(jù)的處理及所涉及的關鍵技術，如抽取方法、轉(zhuǎn)換算法等方面的研究，提出了一種基于棧結構的數(shù)據(jù)格式轉(zhuǎn)換方案，將半結構化的HTML數(shù)據(jù)轉(zhuǎn)換為XML格式的結構化數(shù)據(jù)，得到有效的XML格式的待挖掘數(shù)據(jù)。提出了利用XML數(shù)據(jù)建立供挖掘使用的多層Web數(shù)據(jù)庫的方法。通過對現(xiàn)有數(shù)據(jù)挖掘的決策樹算法和聚類分類算法的研究，根據(jù)實際應用的需要對這兩個算法進行了修改，使之適用于當前W