Classification de documents XML à partir d'une représentation linéaire des arbres de ces documents - Inria - Institut national de recherche en sciences et technologies du numérique Accéder directement au contenu
Communication Dans Un Congrès Année : 2006

Classification de documents XML à partir d'une représentation linéaire des arbres de ces documents

Résumé

In this work, we propose a new clustering document representation for semi-structured documents collections. Our approach consists on a representation of XML documents based on their sub-paths, defined according to some criteria (length, root beginning, leaf ending) using the structure only or both the structure and the content. By considering those sub-paths as words, we can use standard methods for vocabulary reduction, and simple clustering methods such as K-means that scale up well. We actually use an implementation of the clustering algorithm known as \textit{dynamic clouds} that can work with distinct groups of independent variables. This is necessary in our model since embedded sub-paths are not independent. For validation and evaluation of our method, two collections are used: the INEX corpus and the INRIA activity reports, and a set of metrics well-known in Information Retrieval.
Fichier principal
Vignette du fichier
Rapport.pdf (225.43 Ko) Télécharger le fichier
Loading...

Dates et versions

inria-00000840 , version 1 (23-11-2005)

Identifiants

  • HAL Id : inria-00000840 , version 1

Citer

Anne-Marie Vercoustre, Mounir Fegas, Yves Lechevallier, Thierry Despeyroux. Classification de documents XML à partir d'une représentation linéaire des arbres de ces documents. Actes des 6ème journées Extraction et Gestion des Connaissances (EGC 2006), Revue des Nouvelles Technologies de l'Information (RNTI-E-3), Jan 2006, Paris, France. ⟨inria-00000840⟩
152 Consultations
573 Téléchargements

Partager

Gmail Facebook X LinkedIn More