基于单个XML文档结构的数据挖掘

维普资讯

第２０卷　第１期　

２００７年３月　

石油化工高等学校学报　

Ｖｏ１．２　０　Ｎｏ．１　

ＪＯＵＲＮＡＬ　ＯＦ　ＰＥＴＲＯＣＨＥＭＩＣＡＬ　ＵＮＩＶＥＲＳＩＴＩＥＳ　

Ｍａｒ．２００７　

文章编号：１００６—３９６Ｘ（２００７）０１－－００９４—０５　

基于单个ＸＭＬ文档结构的数据挖掘　

梅东霞　

，　

张晓明　

（１．北京化工大学，北京１０００２９；　

２．北京石油化工学院，北京１０２６１７）　

摘要：提出了一种基于ＸＭＬ的结构进行数据挖掘的算法，该方法使用现有的ＸＭＬ解析３－－具ＪＡＶＡ　ＤＯＭ　

对ＸＭＬ文件进行解析，形成ＸＭＬ文档树，把ＸＭＬ中的标签按照层次作为标记路径存储起来，再对标记路径进行　

关联规则挖掘，得到频繁事务。通过实验表明，只有当ＸＭＬ的结构呈不规则时，挖掘效率才会随最小支持度的增大　

而提高。　

关键词：ＸＭＬ文档；标记路径；　关联规则；数据挖掘；频繁事务　

中图分类号：ＴＰ８２　文献标识码：Ａ　

Ｄａｔａ　Ｍｉｎｉｎｇ　Ｔｅｃｈｎｉｑｕｅｓ　ｆｏｒ　Ｓｔｒｕｃｔｕｒｅ　ｏｆ　Ｓｉｎｇｌｅ　ＸＭＬ　Ｄｏｃｕｍｅｎｔ　

ＭＥＩ　Ｄｏｎｇ－－ｘｉａ　。。．ＺＨＡＮＧ　Ｘｉａ０一ｍｉｎｇ　

（１．Ｂｅｉｊｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｃｈｅｍｉｃａｌ　Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ　１０００２９，Ｐ．Ｒ．Ｃｈｉｎａ；　

２．Ｂｅｉｊｉｎｇ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｐｅｔｒｏ—Ｃｈｅｍｉｃａｌ　Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ　１０２６１７，Ｐ．Ｒ．Ｃｈｉｎａ）　

Ｒｅｃｅｉｖｅｄ　１７　Ｎｏｖｅｍｂｅｒ　２００６；ｒｅｖｉｓｅｄ　２５　Ｄｅｃｅｍｂｅｒ　２００６；ａｃｃｅｐｔｅｄ　２０　Ｊａｎｕａｒｙ　２００７　

．　

Ａｂｓｔｒａｃｔ：　Ａｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｓｔｒｕｃｔｕｒｅ　ｏｆ　ＸＭＬ　ｗａｓ　ｐｒｏｐｏｓｅｄ．ＸＭＬ　ｗａｓ　ｐａｒｓｅｄ　ｕｓｉｎｇ　ＪＡＶＡ　ＤＯＭ　ｉｎ　ｏｒｄｅｒ　ｔＯ　ｇｅｔ　ＸＭＬ　

ｄｏｃｕｍｅｎｔ　ｔｒｅｅ．Ｔｈｅ　ｌａｂｅｌ　ｏｆ　ＸＭＬ　ｗａｓ　ｓｔｏｒｅｄ　ａｓ　ｌａｂｅｌ　ｐａｔｈ．Ｔｈｅｎ，ｆｒｅｑｕｅｎｔ　ｔｒａｎｓａｃｔｉｏｎｓ　ｗｅｒｅ　ｏｂｔａｉｎｅｄ　ｔｈｒｏｕｇｈ　ｍｉｎｉｎｇ　

ａｓｓｏｃｉａｔｉｏｎ　ｒｕｌｅｓ　ｏｎ　ｌａｂｅｌ　ｐａｔｈｓ．Ｔｈｅ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｉｆ　ｏｎｌｙ　ｔｈｅ　ｓｔｒｕｃｔｕｒｅ　ｏｆ　ＸＭＬ　ｉｓ　ａｎｏｍａｌｙ，ｔｈｅ　ｅｆｆｉｃｉｅｎｃｙ　ｗｉｌｌ　ｂｅ　ｉｍｐｒｏｖｅｄ　

ｗｈｅｎ　ｍｉｎｉｍａｌ　ｓｕｐｐｏｒｔ　ｉｓ　ｉｎｃｒｅａｓｅｄ．　

Ｋｅｙ　ｗｏｒｄｓ：ＸＭＬ　ｄｏｃｕｍｅｎｔ；Ｐａｔｈ　ｌａｂｅｌ；Ａｓｓｏｃｉａｔｉｏｎ　ｒｕｌｅｓ￣Ｄａｔａ　ｍｉｎｉｎｇ；Ｆｒｅｑｕｅｎｔ　ｔｒａｎｓａｃｔｉｏｎ　

Ｃｏｒｒｅｓｐｏｎｄｉｎｇ　ａｕｔｈｏｒ．Ｔｅ１．：＋８６—１０—８１２９２２９７；ｆａｘ：＋８６—１０—８１２９２２９７；ｅ－－ｍａｉｌ：ｚｈａｎｇｘｉａｏｍｉｎｇ＠ｂｉｐｔ．ｅｄｕ．ｃｎ　

ＸＭＬ文档作为一种特殊形式的数据库，对其进　

行数据挖掘成为人们研究的问题之一。面向ＸＭＬ　

文档的数据挖掘包括对ＸＭＬ结构上的挖掘和对　

的结点，可能会出现记录重复的问题，也就是数据冗　

余。通过对前人提出的算法进行改进，首先对单个　

ＸＭＬ文档使用ＤＯＭ进行解析，形成文档树；然后，　

对每个叶子节点的路径进行收集，根据ＸＭＬ文档　

的各自特点，进行挖掘。　

ＸＭＬ内容上的挖掘两种［１　］。对于前者，Ｊａｃｋｙ　Ｗ　

ｗ　ｗ等　探讨了将ＸＭＬ的查询语言与传统数据　

挖掘方法相结合来提取ＸＭＬ文档中的关联规则，　

也就是通过用Ｘｑｕｅｒｙ来汇总数据集，进而实现　

Ａｐｒｉｏｒｉ算法。这种方法不需要对ＸＭＬ文档进行　

预处理及挖掘后处理，但是它的缺点是需要反复读　

１　挖掘方案设计　

１．１　ＸＭＬ文档的挖掘过程　

通过对ＸＭＬ文档进行分析研究发现，具有挖　

取ＸＭＬ数据库，因此效率很低。Ｑｉｎ　Ｄｉｎｇ等［４　利　

用ＪＡＶＡ　ＤｏＭ把经过校验的ＸＭＬ进行解析生成　

一

掘价值的数据通常是那些出现频度较高的数据或数　

据类型，因此找出在文档中频繁出现的数据是挖掘　

的根本任务。由于ＸＭＬ文档可以看作是一个层次　

个对象树，然后把每个结点的子树作为记录进行　

收集并根据这些记录进行挖掘。但是在同一层次上　

收稿日期：２００６—１１—１７　

树形结构，具体数据也就是树的叶结点，数据的存储　

必须由根结点沿着某条路径到叶结点而取得，因此，　

对ＸＭＬ文档的挖掘首先可以考虑通过挖掘其路径　

作者简介：梅东霞（１９７９一），女，河北张家口市，在读硕士。　

基金项目：北京市教育委员会科技发展计划面上项目　

（ＫＭ２００５ｉ００１７００６）。　

而得到；但是当每个数据的路径的都一样或者数据　

的路径的出现频率都相等的时候，就需要直接对叶　

维普资讯

第１期　梅东霞等．基于单个ＸＭＬ文档结构的数据挖掘　

结点数据进行挖掘。　

整个挖掘过程可分为２步：第１步首先对ＸＭＬ　

文档进行扫描解析，收集所有叶结点数据的路径作　

为事务，并对事务出现的频度进行统计。如果所有　

事务的出现频度都相等（在这里不考虑近似相等）就　

执行第２步；否则，直接对事务进行关联规则挖掘。　

第２步：把结构比较特殊的ＸＭＬ文档按照一定的　

算法映射到数据表中，再进行数据挖掘。根据参考　

文献Ｅｓ］可知有关标记路径的概念。　

标记路径（１ａｂｅｌ　ｐａｔｈ）是一个结点序列（Ｖ。，Ｖ　，　

Ｖ。，…，Ｖ　），是指从树的根到元素结点之间的有次　

序的结点的集合，Ｖ。为根结点，Ｖ　是Ｖ　的父结　

点，Ｖ　是Ｖ　的子结点，ｉ一０，１，２…．，　一１。当采　

用不包含通配符（＊）、“／／”及函数操作的Ｘｐａｔｈ简　

单路径表达式（ｓｉｍｐｌｅ　ｐａｔｈ　ｅｘｐｒｅｓｓｉｏｎ）来表示标记　

路径时，每个路径都从“／”开始，并以“／”分隔表示层　

次。ＸＭＬ文档及其对应的标记路径见图１。　

／Ｐｅ０ｐｌｅ／Ｐｅｒｓ０ｎ／ＩＤ　

／Ｐｅ０ｐｌｅ／Ｐｅｒｓ０ｎ／ａｇｅ　

／Ｐｅｏｐｌｅ／Ｐｅｒｓｏｎ／ｉｎｃｏｍｅ　

／Ｐｅｏｐｌｅ／Ｐｅｒｓｏｎ／ＩＤ　

／Ｐｅ０ｐｌｅ／Ｐｅｒｓ０ｎ／ａｇｅ　

／Ｐｅ０ｐｌｅ／Ｐｅｒｓ０ｎ／ｉｎｃｏｍｅ　

／Ｐｅ０ｐｌｅ／Ｐｅｒｓ０ｎ／ＩＤ　

／Ｐｅ０ｐｌｅ／Ｐｅｒｓ【】ｎ／ａｇｅ　

／Ｐｅ０ｐｌｅ／Ｐｅｒｓ【】ｎ／ｅｄｕｃａｔｉ【】ｎ　

／Ｐｅｏｐｌｅ／Ｐｅｒｓｏｎ／ｈｏｕｒｓ－－ｐｅｒ—ｗｅｅｋ　

／Ｐｅ０ｐｌｅ／Ｐｅｒｓ０ｎ／ｒａｃｅ　

Ｆｉｇ．１　ＸＭＬ　ｄｏｃｕｍｅｎｔ　ａｎｄ　ｌａｂｅｌ　ｐａｔｈ　

图１　ＸＭＬ文档及其对应的标记路径　

在图１中，路径Ｐｅｏｐｌｅ／ｐｅｒｓｏｎ／ＩＤ和Ｐｅｏｐｌｅ／　

Ｐｅｒｓｏｎ／ａｇｅ出现了３次，Ｐｅｏｐｌｅ／Ｐｅｒｓｏｎ／ｉｎｃｏｍｅ出　

现了２次，其余路径各出现了１次。如果频度阈值　

为２，Ｐｅｏｐｌｅ／Ｐｅｒｓｏｎ／ＩＤ和Ｐｅｏｐｌｅ／Ｐｅｒｓｏｎ／ａｇｅ的　

出现次数都大于频度阈值，则Ｐｅｏｐ１ｅ／Ｐｅｒｓｏｎ　ＩＤ和　

Ｐｅｏｐ１ｅ／Ｐｅｒｓｏｎ／ａｇｅ为频繁路径。　

显然，ＸＭＬ文档可以被解析为由若干条事务组　

成。通过统计这些事务的出现次数，就可以得到超　

过指定频度阈值的数据，从而可以进行下一步的挖　

掘。　

１．２　收集ＸＭＬ文档的频繁路径　

为了实现这一目的，首先对ＸＭＩ　文档使用　

ＪＡＶＡ　ＤＯＭ进行解析，利用递归的方法，依次得到　

每一笔事务。这时，要根据ＸＭＬ文档的组织方式　

来决定使用标记路径还是叶子数据进行下一步操　

作，这是因为ＸＭＬ文档标记开放性的特点所决定　

的，有可能出现通过标记路径无法判断哪些是频繁　

的，如图２所示。　

ＮＯ　

●＿——　

１　／ｔｒａｎｓａｃｔｌ０ｎｓ／ｔｒａｎｓａｃｔｌ０ｎ／ｌｔｅｒｎｓ／Ｉｔｅｒｎ　

２　

／ｔｒａｎｓａｃｔｉｏｎｓ／ｔｒａｎｓａｃｔｉｏｎ／ｉｔｅｍｓ／ｉｔｅｍ　

３　

／ｔｒａｎｓａｃｔｌ０ｎｓ／ｔｒａｎｓａｃｔｌ０ｎ／ｌｔｅｍｓ／ｉｔｅｍ　

４　

／ｔｒａｎｓａｃｔｉｏｎｓ／ｔｒａｎｓａｃｔｉｏｎ／ｉｔｅｍｓ／ｉｔｅｍ　

５　

／ｔｒａｎｓａｃｔｌ０ｎｓ／ｔｒａｎｓａｃｔｌ０ｎ／ｉｔｅｍｓ／ｉｔｅｍ　

Ｆｉｇ．２　Ｓｐｅｃｉａｌ　ＸＭＬ　ａｎｄ　ｌａｂｅｌ　ｐａｔｈ　

图２特殊的ＸＭＩ　文档及其对应的标记路径　

在对ＸＭＬ文档的研究过程中，为简便起见首　

先忽略这些特殊情况，只讨论标记路径，为了便于后　

面对频繁路径的查找，采用哈希表的方式对路径进　

行存储，同时采用链地址法对地址冲突进行处理。　

在每个链表数据项中包含３个值，分别为路径名、路　

径的ｃｏｕｎｔ值及哈希链指针（Ｈａｓｈ　Ｃｈａｉｎ　Ｐｏｉｎｔｅｒ），　

如图３所示。　

当得到一个数据的路径时，如果该路径已经在　

哈希表中存在，则只需将其对应的路径ｃｏｕｎｔ值加　

１，否则，将该路径加入哈希表，并设ｃｏｕｎｔ值为１　

依次执行以上步骤，直到所有事务的路径都存储到　

哈希表中。　

在参考文献［６３中，ＸＭＬ文档元素结点的名称　

维普资讯

９６　石油化工高等学校学报　第２Ｏ卷　

通常为由英文字符及数字等组成的字符串，该算法　

０　１　２　３　４　５　６　

对之进行了改进，使用ＪＡＶＡ中的散列表进行处　

理，可以处理各种字符（包括汉字）组成元素结点的　

ＸＭＬ文档。图２中ＸＭＬ文档的散列结果如图３　

所示。　

Ｆｉｇ．３　Ｈａｓｈ　ｔａｂｌｅ　ｓｔｏｒｉｎｇ　ｌａｂｅｌ　ｐａｔｈ　

图３存放路径的哈希表　

当所有的数据路径都被加入到哈希表中后，需　

要指定频度阈值，并重新对ＸＭＬ文档进行遍历，读　

人每一数据的标记路径，并在哈希表中寻找其所对　

应的ｃｏｕｎｔ值。当某一路径ｃｏｕｎｔ值大于预设的频　

度阈值时，则认为该路径是频繁的，否则为不频繁。　

１．３特殊结构的ＸＭＬ文档　

如图３所示，可以使用以上的哈希函数对图２　

中的ＸＭＬ文档采用哈希表的方式对路径进行存　

储，这个时候对于所有的叶子节点数据只有一条存　

储路径“／ｔｒａｎｓａｃｔｉｏｎｓ／ｔｒａｎｓａｃｔｉｏｎ／ｉｔｅｍｓ／ｉｔｅｍ”。　

所以，通过标记路径是无法判断哪些是频繁的。当　

出现这种情况，必须把哈希表中的每一个路径名作　

为一个属性名称映射到数据表中，然后再把叶子结　

点数据作为属性值写入对应的位置。这时就把基于　

ＸＭＬ文档的挖掘转换为一般的数据挖掘问题。　

２　算法设计　

２．１算法流程　

基于单个ＸＭＬ文档结构的数据挖掘，首先要　

从ＸＭＬ文档中读取出标记路径，并使用哈希表这　

种特殊的数据结构来统计标记路径出现的次数。哈　

希表的每一个记录包含两个属性，一个是标记路径，　

另一个是标记路径出现的次数。从ＸＭＬ文档中每　

读取一个标记路径首先要判断哈希表中是否存在以　

此为标记路径的一项，如果存在就直接给对应的次　

数加１，如果不存在就加入一个新项，以此为标记路　

径，并且对应的次数置为１。读完ＸＭＬ文档中所有　

的标记路径，就判断哈希表中的项数是否为１，如果　

为１说明这个ＸＭＬ文档从结构上不适合做基于结　

构的数据挖掘；如果不为１，根据频度阈值从哈希表　

中提取频繁路径，如图４所示。　

是　

Ｆｉｇ．４　Ａｌｇｏｒｉｔｈｍ　ｆｌｏｗ　

图４算法流程　

２．２算法描述　

功能：对ＸＭＬ文档Ｄ进行关联规则挖掘得到　

频繁事务集Ｔ。　

输入：ＸＭＬ文档Ｄ。　

输出：频繁事务集Ｔ。　

步骤描述：　

①ｅｘｔｒａｃｔ（Ｄ，Ｔｐ）；／／把ＸＭＬ文档Ｄ的标记　

路径提取出来，形成标记路径表Ｔｐ　

②ｐｕｔ（Ｔｐ，ＨＴ）；／／把标记路径表Ｔｐ中的数　

据存储到哈希表ＨＴ中　

③ｉｆ（ＨＴ．ＧｅｔｌｔｅｍＮｍ（）一一１）／／如果哈希　

表中只含有一项　

④ｅｘｔｌ（Ｄ，Ｔｄ）／／把ＸＭＬ文档的数据存储成　

二维数据表形式Ｔｄ，便于进行进一步处理　

⑤ｅｌｓｅ　

⑥Ｔ—ｇｅｔ（ＨＴ，０）／／根据预设的频度阈值０，　

从哈希表ＨＴ中得到频繁事务集Ｔ　

算法ｅｘｔｒａｃｔ（Ｄ，Ｔｐ）　

输入：ＸＭＬ文档Ｄ。　

输出：生成的标记路径表Ｔｐ（Ｔｐ为ＸＭＬ文档　

树中离根节点最远的非叶子节点组成的路径表）。　

步骤描述：　

Ｔ—ｐａｒｓｅ（Ｄ）／／用解析器ＤＯＭ把ＸＭＬ文档　

Ｄ生成一棵树Ｔ　

ＴｒａｖｅｒｓｅＴｒ（ｒｏｏｔ，ｅｌｅｍｅｎｔｎａｍｅ，Ｔｐ）／／对以　

ｒｏｏｔ为根节点的树进行递归遍历，在遍历过程中生　

成Ｔｐ（Ｔｐ中包含Ｔ中所有非叶子节点组成的标记　

路径）；ｅｌｅｍｅｎｔ—ｎａｍｅ为根节点名称。第一次调　

用，ｒｏｏｔ为Ｔ的根节点。　

｛　

ｆｏｒ　ｅａｃｈ　ｃｈｉｌｄｎｏｄｅ　ｏｆ　ｒｏｏｔ／／对ｒｏｏｔ的每个子　

节点进行遍历　

维普资讯

第１期　梅东霞等．基于单个ＸＭＬ文档结构的数据挖掘　９７　

ｉｆ　ｃｈｉｌｄｎｏｄｅ　ｉｎｓｔａｎｃｅ　ｏｆ　ｅｌｅｍｅｎｔ如果ｃｈｉｌｄｎｏｄｅ　

是非叶子结点，也就是它还有子节点，调用递归函数　

｛　

ｃｈｉｌｄｎａｍｅ—ｅｌｅｍｅｎｔｎａｍｅ＋”／”＋ｃｈｉｌｄｎａｍｅ：　

∥ｃｈｉｌｄｎａｍｅ为ｃｈｉｌｄｎｏｄｅ节点的名称　

ｗｒｉｔｅＴｏ（ｃｈｉｌｄｎａｍｅ，Ｔｐ）∥把每个非叶子节　

点的路径名写入Ｔｐ　

ＴｒａｖｅｒｓｅＴｒ（ｃｈｉｌｄｎｏｄｅ，ｃｈｉｌｄｎａｍｅ，Ｔｐ）　

｝　

｝　

算法ｐｕｔ（Ｔｐ．ＨＴ）　

输入：标记路径表Ｔｐ，哈希表ＨＴ。　

输出：填充了频繁路径统计表的哈希表ＨＴ。　

步骤描述：　

ｆｏｒ　ｅａｃｈ　ｔｒａｎｓａｃｔｉｏｎ　ｉ　ｉｎ　Ｔｐ　ｄｏ　

ｉｆ　ｉ．ｐａｔｈ　ｉｎ　ＨＴ　ｔｈｅｎ∥如果标记路径已经在哈　

希表中存在　

ｉ．ｃｏｕｎｔ—ｉ．ｃｏｕｎｔ＋１；／／对应路径的数值　

ｃｏｕｎｔ加１　

ａｄｄ　ｉ．ｃｏｕｎｔ　ｉｎ　ＨＴ　

ｅｌｓｅ　

ａｄｄ　ｉ．ｐａｔｈ　ｉｎ　ＨＴ　

ｉ．ｃｏｕｎｔ一１；　

ｅｎｄ　ｉｆ　

Ｐｎｄ　ｆｏｒ　

３　实验设计与结果分析　

３．１实验方案设计　

为了验证该算法的有效性，使用ＪＡＶＡ语言编　

程实现了该算法。ＸＭＬ文档使用ＪＡＶＡ　ＤＯＭ进　

行快速解析，生成文档树。实验中采用了３种类型　

的测试数据。实验的测试环境是：Ｐ４　ＣＰＵ　２．６６　

ＧＨｚ，２５６　Ｍｂ内存，Ｗｉｎｄｏｗｓ　Ｓｅｒｖｅｒ２００３平台。　

ｄａｔａｓｅｔ　Ｉ（大小５６１　ｋｂ），ｄａｔａｓｅｔⅡ（大小１　０９０　ｋｂ），　

ｄａｔａｓｅｔⅢ（大小１　６３４　ｋｂ）是数据挖掘中常用的数据　

库ｃｅｎｓｕｓ转换而成的，共有１４个属性值，可解析记　

录数最大达到２０　０００条；ｔｏｍ—ｅｒｒ（大小１３４　ｋｂ），ａｌｌ　

—

ｗｅｌｌ（大小２０５　ｋｂ），ｈａｍｌｅｔ（大小２７４　ｋｂ）是莎士比　

亚的全集改变成的ＸＭＬ文档；ｈａｉｘｉａ２（大小２０　

ｋｂ），ｈａｉｘｉａ（大小３１　ｋｂ），ｓｐｏｒｔｓ（大小４６　ｋｂ）是ＲＳＳ　

的网页生成的ＸＭＬ文档。　

３．２实验结果及其分析　

以上３种类型的ＸＭＬ文档是目前比较常见的　

ＸＭＬ文档。图５和图６是以上各文件在不同支持　

度下的执行效率。图５上边３条线是对由关系数据　

表ｃｅｎｓｕｓ转换而成的ＸＭＬ进行结构挖掘的效率　

图，考察了３个不同大小的ＸＭＬ在５个不同的最　

小支持度下的运行结果，３条线几乎是平行的。图５　

下边３条线是对由莎士比亚全集改编而成的ＸＭＬ　

中的３个片断进行考察，它们结构相似，大小不同，　

由图示可知，３条线已经不再有平行的趋势，而分别　

稍显向下的趋势。　

｛　

重　

蕾　

蚪　

最小支持度．％　

Ｆｉｇ．５　Ｅｆｆｉｃｅｎｃｙ　ｏｎ　ｃｅｎｓｕｓ　ａｎｄ　Ｓｈａｋｅｓｐｅａｒｅ　

图５莎士比亚文档和ｃｅｎｓｕｓ的执行效率　

图６是对通过ＲＳＳ下载的ＸＭＬ，它们是直接　

用来转换成ｈｔｍｌ网页的，所以结构最不规律，最具　

代表意义。同样考察了３个ＸＭＬ分别在５个最小　

支持度下的执行效率，这时已经有明显的下降趋势。　

｛　

冒　

蕾　

、　

｝　

０　２Ｏ　４０　６０　８Ｉ１　１【１０　

最小支持度，％　

Ｆｉｇ．６　Ｅｆｆｉｃｅｎｃｙ　ｏｎ　ＸＭＬ　ｄｏｗｎｉｎｇ　ｔｈｒｏｕｇｈ　ＲＳＳ　

图６使用ＲＳＳ下载的ＸＭＬ文档执行效率　

从图５，６分析得到只有ＲＳＳ网页得到的ＸＭＬ　

文档，随着支持度的减小执行效率有明显提高的趋　

势；而其它两种类型受最小支持度的影响ｑｔ￣４，；３个　

实验唯一的共同点是执行效率只受文档本身大小的　

影响。由此可见，对一个ＸＭＬ文档进行数据挖掘，　

首先要考虑挖掘的目的：如果要在ＸＭＩ　中发现关　

联规则，那么必须要考虑它的结构特点是否适于进　

行基于结构的数据挖掘。因为对于由关系数据表和　

人工改编而成的ＸＭＬ文档，它们的一个共同特点　

就是结构过于规则和对称，而这样的数据是不利于　

挖掘出高于某个最小支持度的频繁集的，因为它受　

支持度的影响很小。假设是要考察ＸＭＬ文档的结　

构，那么这种不受支持度影响的特点正好有利于考　

察两个ＸＭＬ文件结构的相似度［７　］。因此，基于　

ＸＭＬ结构的数据挖掘可以适用于多个领域。　

维普资讯

９８　石油化工高等学校学报　第２Ｏ卷　

参　考　文　献　

［１］　潘有能，邓三鸿．基于ＸＭＩ　和关联规则的Ｗｅｂ挖掘研究［Ｊ］．现代图书情报技术，２００４，１１２（７）：３０—３４、　

ｃｈｉ　Ｎ，Ｒｅｂｅｃｃａ　Ｗ

Ｅ２］　

Ｒｉ，Ａｎｔｏｎ　Ｔ．Ｄａｔａ　ｍｉｎｉｎｇ　ａｎｄ　ＸＭＩ　ｄｏｃｕｍｅｎｔｓ：ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ｉｎｔｅｒｎａｔｉｏｎａｌ　ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　ｉｎｔｅｒｎｅｔ　

ｃｏｍｐｕｔｉｎｇ［Ｃ］．ＵＳＡ：Ｉｓ．ｎ．］，２００２：６６０—６６６．　

ｌｌｉａｎ　Ｄ．Ｍｉｎｉｎｇ　ａｓｓｏｃｉａｔｉｏｎ　ｒｕｌｅｓ　ｆｒｏｍ　ＸＭＩ　ｄａｔａ　ｕｓｉｎｇ　ｘｑｕｅｒｙ：ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ｓｅｃｏｎｄ　ｗｏｒｋｓｈｏｐ　ｏｎ　

［３］　

Ｊａｃｋｙ　Ｗ　Ｗ　Ｗ，Ｇｉ

Ａｕｓｔｒａｌｉａｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｓｅｃｕｒｉｔｙ，Ｄａｔａ　ｍｉｎｉｎｇ　ａｎｄ　ｗｅｂ　ｉｎｔｅｌｌｉｇｅｎｃｅ．ａｎｄ　ｓｏｆｔｗａｒｅ　ｉｎｔｅｒｎａｔｉｏｎａ１ｉｚａｔｉｏｎ［ｃ］．ＵＳＡ：Ｅｓ．ｎ．］，　

２００４，３２：１６９—１　７４．　

ｎ　Ｄｉｎｇ，Ｋｅｖｉｎ　Ｒｉｃｏｒｄｓ．Ｄｅｒｉｖｉｎｇ　ｇｅｎｅｒａｌ　ａｓｓｏｃｉａｔｉｏｎ　ｒｕｌｅｓ　ｆｒｏｍ　ＸＭＩ　ｄａｔａ：ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ＡＣＩＳ　ｆｏｕｒｔｈ　

［４］　

Ｑｉ

ｉｎｔｅｒｎａｔｉｏｎａｌ　ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　ｓｏｆｔｗａｒｅ　ｅｎｇｉｎｅｅｒｉｎｇ，Ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ，Ｎｅｔｗｏｒｋｉｎｇ　ａｎｄ　ｐａｒａ１１ｅ１／ｄｉｓｔｒｉｂｕｔｅｄ　ｃｏｍｐｕｔｉｎｇ　

（ＳＮＰＤ０３）［ｃ］．Ｇｅｒｍａｎｙ：Ｉｓ．ｎ．］，２００３：３４８—３５２．　

概念与技术［Ｍ］．坎伯．范明译．北京：机械工业出版社，２００１．　

［５］　

韩家炜．数据挖掘：

［６］　李晓明，凤旺森．两种时ＵＲＬ的散列效果很好的函数［Ｊ］．软件学报，２００４，１５（２）：１７９—１８４．　

２００３，２６（９）：１１１　６—１１２２．　

［７］　

郑仕辉，周傲英，张龙．ＸＭＬ文档的相似测度和结构索引研究［Ｊ］．计算机学报，

［８］　赵妍．逢玉俊，文东丽．从样本数据中提取模糊规则的算法研究［Ｊ］．石油化工高等学校学报，２００４，１７（３）：８３—８８．　

（Ｅｄ．：ＷＹＸ，Ｚ）　

（上接第７６页）　

［３］Ｒｉｆｆｆａｔ　Ｓ　Ｂ，Ｇａｎ　Ｇ，Ｓｍｉｔｈ　Ｓ．Ｃｏｍｐｕｔａｔｉｏｎａｌ　ｆｌｕｉｄ　ｄｙｎａｍｉｃｓ　ａｐｐｌｉｅｄ　ｔＯ　ｅｊｅｃｔｏｒ　ｈｅａｔ　ｐｕｍｐｓ［Ｊ］．Ａｐｐ１．ｔｈｅｒｍ．ｅｎｇｎｇ．　

１９９６．１６（４）：２９１—２９７．　

　ａ１．Ｅｊｅｃｔｏｒ　ＣＦＤ　ｍｏｄｅｌｉｎｇ　ｗｉｔｈ　ｒｅａｌ　ｇａｓ　ｍｏｄｅ１．Ｉｎ：Ｍｅｃｈａｎｉｃａｌ　ｅｎｇｉｎｅｅｒｉｎｇ　ｎｅｔｗｏｒｋ　ｏｆ　

［４］　

Ｒｕｓｌｙ　Ｅ，Ｌｕ　Ａ，Ｃｈａｒｔｅｒｓ　Ｗ　Ｗ，ｅｔ

ｔｈａｉｌａｎｄ　ｔｈｅ　１６ｔｈ　ｃｏｎｆｅｒｅｎｃｅ［Ｃ］．Ｉｓ．１．］：Ｉｓ．ｎ．］２００２：１５Ｏ一１５５．　

９（４）：　

［５］　

吴双应，王彬，张培杰，等．雾化角时造粒塔内颗粒飞行及换热影响的数值模拟［Ｊ］．石油化工高等学校学报，２００６，１

８Ｏ一８４．　

等．蒸汽喷射器流动参数与性能的数值分析［Ｊ］．热科学与技术，２００５，４（１）：５２—５７．　

［６］　

李海军，沈胜强，张博，

［７］　

邢桂菊，李文忠．固定结构的气体喷射器效率研究［Ｊ］．热能动力工程，２０００，１５（５）：４６７—４６９．

５５８—５６１．　

［８］　

沈胜强，李素芬，夏远景．喷射式热泵的设计计算与性能分析［Ｊ］．大连理工大学学报，１９９８，３８（５）：

（Ｅｄ．：ＷＹＸ，Ｚ）