XML文档分类综述摘要：XML作为W3C推荐的表示半结构化数据的标记语言，以其口身良好的可扩展性、口描述性和平台独立性等特点，成为Web上数据表示、存储、交换的事实标准，广泛应用于数据集成、数据发布、数据存储、数据管理、信息检索和知识管理等诸多领域。针对Web上海量XML数据，XML文档分类技术可以根据XML数据中的结构和/或内容信息将其划分为不同的类别，在许多半结构化数据应用领域扮演着重要角色。本文介绍了XML文档分类的基本框架及常用的XML文档表示方法，并将XML文档分类技术划分为基于结构的和基于结构和内容的两类，详述了现有的典型的XML文档分类方法，分析了其特点及局限。最后总结了XML文档分类技术未来的几个研究方向。关键词：数据挖掘；XML文档分类；半结构化数据；半结构化数据分类中图分类号：TP311AnOverviewofXMLdocumenetsClassificationZHANGLijun,LIZhanhuai,CHENQun,LINing(SchoolofComputerScienceandTechnology,NorthwesternPolytechnicalUniversity,Xi'an710129)Abstract:AsaW3Crecommendationmarkuplanguageforrepresentingsemi-slruclureddata,XMLhasbeendefactostandardfordatarepresentation,storageandexchangeovertheweb,owingtoitsflexibility,self-descriptionandplatformindependenceproperties・Andithasbeenwidelyusedintheareassuchasdataintegration,datadistribution,datastorage,datamanagement,informationretrievalandknowledgemanagement,e【c.ForlargevolumesofXMLdataontheweb,XMLclassificationtechniquecanclassifythemintodifferentcategoriesbytheirstructureand/orcontentinformation,anditplayimportantroleinmanysemi-slruclureddataapplication.ThispaperintroduceslheframeworkofXMLclassificationandrepersentalionmethodsofXMLdocument.XMLclassificationaredividedintotwocategories:basedonstructureonlyandbasedonstructureandcontent,andthenseveralXMLclassifiactionmethodsareintroducedindetailed.Finally,severalisssuesforfutureXMLclassificationareproposedinthispaper・Keywords:DataMining;XMLClassification;Semi-structuredData;Semi-structuredDataClassification随着互联网的不断发展，网络数据急速增长，互联网已经成为人们获収信息的主要來源，人类社会进入“泛数据”时代I山互联网上海量的数据按照其组织形式可分为三种：结构化数据、无结构数据和半结构化数据。存在于网络上和企业中的HTML网页、SGML文档、RTF文档、RSS数据、以及由异构数据集成、交换需要而产生的XML数据等祁是半结构化数据。据统计，全世界有80%以上的数据以非完全结构化的半结构化形式存在。XML作为W3C推荐的表示半结构化数据的标记语言，以其自身良好的可扩展性、自描述性和平台独立性等特点，成为了Web上数据存储、数据交换的出实标准⑵，已被广泛应用于数据集成、基金项烏等学校博L学科点个项科研基金(20096102110031):国家自然科学基金(NSF)资助项目(61033007):西北工业大学基础研究基金(JC20110225,JC20126I)作者简介：张利军(1978-),男，博士研究生，主要研究方向：数据管理，数据挖掘通信联系人：李战怀(1961-),男，教授，博士生导师,主要研究方向：数据管理，数据存储.E-mail:lizhh@nwpu.cdu.cnFeatureExtractionStructureOnlyFeatureXMLTrainDataStructureandStructureandContentFeatureContentFeature数据发布、数据存储、数据管理、信息检索、知识管理等诸多领域。针对Web上的海量XML数据，如何利用有效的手段对其分析，从中获収有用的信息，辅助人们决策，成为亟待解决的问题。数据挖掘是知识发现的重要过程，可以从犬量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提収隐含在其中的、人们爭先不知道的、但又潜在有用的信息和知识⑶。然而传统的数据挖掘技术主要面向结构性很强的结构化数据或无结构数据，而XML数据中既包含内容信息乂包含层次结构信息，模式信息隐含，结构不完整、不规则，且没有严格的类型约束⑷，这使得传统的数据挖掘技术无法直接有效地应用于XML数据。XML挖掘研究如何使用数据挖...