基于动态区间映射的文档聚类算法

随着信息数字化的快速发展，新兴的归档存储成为研究热点，空间利用率和扩展性是其关键问题。利用基于内容分块存储实现重复数据删除，是提高存储空间利用率的有效途径，但由于归档数据规模巨大，在所有数据中寻找共享分块的做法十分低效。将动态区间映射思想引入信息聚类，提出了基于动态区间映射的文档聚类算法dc-dim；利用分块和特征提取方法产生文档的分块特征集合，将分块特征集合映射在区间链上，依据文档分块特征集合的映射分布确定文档的存储容器，实现文档聚类；将内容相似度高(共享内容多)的文档聚集在一起，为分块存储和方便数据管理创造有利条件。