[论文解读] Experiments in Clustering Homogeneous XML Documents to Validate an Existing Typology

Thierry Despeyroux, Yves Lechevallier+2 more|ArXiv.org|Jul 8, 2005

Semantic Web and Ontologies参考文献 10被引用 5

一句话总结

本文提出一种混合聚类方法，用于同质XML文档的聚类，结合结构化特征选择（如'foundation'或'results'等部分）与语言文本处理，以提升聚类质量。基于Inria 2003年活动报告，评估了不同特征选择对聚类结果的影响，并与官方专家定义的主题进行对比，发现如'foundation'等结构化部分的特征显著优于关键词的聚类表现。

ABSTRACT

This paper presents some experiments in clustering homogeneous XMLdocuments to validate an existing classification or more generally anorganisational structure. Our approach integrates techniques for extracting knowledge from documents with unsupervised classification (clustering) of documents. We focus on the feature selection used for representing documents and its impact on the emerging classification. We mix the selection of structured features with fine textual selection based on syntactic characteristics.We illustrate and evaluate this approach with a collection of Inria activity reports for the year 2003. The objective is to cluster projects into larger groups (Themes), based on the keywords or different chapters of these activity reports. We then compare the results of clustering using different feature selections, with the official theme structure used by Inria.

研究动机与目标

• 通过XML文档的无监督聚类验证现有组织类型（Inria的研究主题）
• 研究不同文档特征选择（结构化与文本化）对聚类结果的影响
• 评估结合结构化元素选择与语言特征提取在XML聚类中的有效性
• 使用外部验证度量，将自动聚类结果与两种专家定义的主题结构（2003年和2004年）进行比较
• 识别哪些文档部分最能代表研究领域，并对有意义的聚类贡献最大

提出的方法

• 该方法使用动态分类算法，将聚类原型构建为成员文档特征的并集
• 特征选择在两个层次上进行：粗粒度的XML元素选择（如'foundation'、'results'）和细粒度的语言学特征选择（基于句法特征）
• 使用Despeyroux（2004）的工具从选定的XML元素中提取文本，并进行额外处理以实现术语的归一化与过滤
• 使用基于原型的算法进行聚类，通过特征共现关系迭代优化聚类分配
• 使用F-measure和校正Rand指数进行外部验证，将自动聚类与专家定义的主题（2003年和2004年）进行比较
• 测试了不同特征集：关键词、会议名称、部分文本（T-P）以及组合特征（T-PF），聚类数分别为4、5、9

实验结果

研究问题

• RQ1 与仅使用关键词相比，选择XML文档部分（如'foundation'、'results'）如何影响聚类质量？
• RQ2 结构化特征选择是否能提升XML文档中聚类性能，优于传统的词袋方法？
• RQ3 聚类结果与官方专家定义的主题（2003年和2004年）在外部有效性方面如何比较？
• RQ4 会议名称在聚类中起什么作用？为何尽管其语义相关性高，却表现不佳？
• RQ5 对选定XML元素中的文本进行语言学处理，在多大程度上能增强聚类的区分度与一致性？

主要发现

• 当使用'foundation'部分（T-PF-a）进行聚类时，F-measure达到最高值0.66，校正Rand指数为0.32，显著优于基于关键词的聚类
• 使用'foundation'部分（T-PF-a）的聚类获得F-measure 0.66和Rand指数0.32，表明与专家主题高度一致
• 基于关键词的聚类（K-F-a）的F-measure为0.53，Rand指数为0.14，显示与官方主题的一致性较低
• 基于会议名称的聚类表现较差，F-measure为0.44–0.56，Rand指数低于0.15，可能由于命名不一致或未归一化
• 所有实验中F-measure与校正Rand指数均呈现一致相关性，验证了评估度量的可靠性
• 研究表明，在该领域中，结构化特征选择（如'foundation'或'results'部分）比基于关键词的选择更有效于XML文档聚类