Naive clustering of a large XML document collection - Semantic Scholar

Naive clustering of a large XML document collection Antoine Doucet

Helena Ahonen-Myka

Department of Computer Science P.O. Box 26 (Teollisuuskatu 23) 00014 University of Helsinki Finland GREYC CNRS-UMR 6072 University of Caen, France

Department of Computer Science P.O. Box 26 (Teollisuuskatu 23) 00014 University of Helsinki Finland

[email protected]

[email protected]

'2) $01V'"#) +# -A0
+gÉ EwyxDnp2ÊrUq6prUz{q1Ë Ìkj1kmlon2Ê

ABSTRACT
 

     ! "#$%&('"*) +,

pq6rUzmÍoÎibŒŒ{M^#'W@ AX D&Y$0@1/h^ 1"*

# -./$0-1 1) 0'21"#"*'3*1&456,7'6'98;:=
f‚E 

H)'3) MX@) / J"*"*,7aC U^`a6,7$0X AX"#-,

[ )6*+\‹&v8(:=

$OUÒ+*+\;&  ~8(:=‹’V Bh'  [ ) '2QbB!D2, 'X$0S '2  X\hI UFCA$0X VI$OX-‹  H '2"#"#'2# 2>Z‚E  V'X!DS  A!C\X) $OX'"#"*\ 1H, -1X*Ó# -OF\9"X-'2"#"#'2# ^#1J $OX"#"#Z ) !v'2"*,

1. INTRODUCTION d;C') $06A'2"#) H# -h B!D] "##9I#&Y1$OX,

"*'3*1 ) # -; C') $06‰'2"#) H# -E'W   [ )  >oÔV, &Y) X"*\$01 HfX&D V HXW'W‹ H)'3)  '3,

#1i2#FG"B&Y"#"#U^# -P j1kmlonpq1rtsvuQwyxpsoqCnz{nX ^ 'W| HU hXI"#FG6J'2) $06 0|}!

) $06‡ '2  *- Q H#"#"G&YC') (A XX,7'6'‡8;:`< Õ B&Y^5 X$0 "# ÖGÐ@Œ€UY×W>

 #-"*\S H#$0#"X~S1'W0XCO ) !  [ ) 6"*\\ 9O!"# - 0  $0A'2"#) HW  €X{>^‚E 4 1\


É  9 X D4! Øi@'UÒ+'3) ]U}Ž2’V

!D #S  M fUE'2) $01y'"#) +# -4 H 1) " H, $0*VJ#$0 UF(SƒD'3*F1   ;X&X=
+gV„`!C\ H, $0*H*-]'"*"$0h&Z 9"#FU1S'2) $01W 2… KZ! "#\XQ#_J! +,†$OX'W` 1'W‡v $0F\9"*, FU1 '2) $06 A$0#-11A'#FO`"#UˆWXa] #$0 "#\

+)'2) ^ f H) "#$01WX\B* &Y$OU#1B4WG/56  4$S) HE5# HZSG\0 ) H4*XZ*$0 UF1 f  '2"#) H# - [ )X"#*+\C‘ (/  6=FUX#) I*F1] , 6'W  0  625C,7'6';8(:=‡‚E ^ ) "*

) $01W V4h!D'"*) +J1-2 ;^* ‹!D HH,

X&o  1 HaJX9'"#"*# -A&YZ '2)  H#1OX&~ 4 ) "*

[ ) \X> ŠE ‹ ^'2"#) H~C\C DX # o UF1G  H^'3,

WX a1/'2)$06 XP'XP!DJ&Y) /  G\}Œ{> d;C') $06E'2"#) H# -A'h!D; D&Y$0O #1f  [ ) \XD#I^#'W' 4bZ ^) HI0&Y1$TO'2) $06 X5 1$\P #$0*"4/UO&; ="#"*,†aC U^ŽyU,  C1‘` HXW'W] -# >_’ZX"*X#F0 "#'U#`& “”‰•1–˜—™‰š›+œ]–˜—‹—6ž6žš›Ÿ+ 3¡]¢U£`Ÿ+•6 O¤¥W¦¡1 §;£`š¨;©v–˜ª6«¦ª6¡ ¬ ž1›+š3­ ¥ŸV®¯°G®°±v²š³y 2´S–vµ‰²EšU¥6§4 WªUŸE´ ¦ªC¦¶ W§4 ªXŸ3· ¸{ª1µ ¨#š›+§A¦Ÿ+–˜šªS³ Ÿ›+–˜ W¹¦«¦ª6¡S”D ºŸ´S–˜ª1–ª1¶X» ¼ ¸{ª6–½Ÿ+–¦Ÿ+–˜¹G ¾¨*š›¿Ÿ+•6 ¾ W¹¦«˜6¦Ÿ+–˜šªÀš¨ÂÁ^´ Ãij Ÿ›+–˜ W¹¦« ¬ •UŸŸ+žÅ ÆÆÇU§4–˜›3È ¡¥W—WÈ ÇX§V™^È ¦¥È 6œ1Æ2–ª1 º6ÆG»

 H6#S '2#S€BX$0  #Ó# -^ ^*ÙO'2) "*+\ X]J  '2* #&ySF1)X"f#'2# VX&y1)  &Y)) 4a

Õ '2#JÚ6×W>

2. PROCEDURE OF THE EXPERIMENTS 2.1 Document representation ’V MB  6WU#1AX&D Z C') $06W 2EGFE)   ^F1'3‰ H '2E$0"{>~
‹  ~  H1WU*1QU1'W '2) $01Z ^  H1I!C\J=Û9,7 *$0 *1X"DF'3, Ð^*]ÛÜ!D# -J06)$!D(X&AÝox‡jloÞPqCÍvpJß7qCÌCÊ pl~rGqCn#}='2"#"#'2#‡>}
à$01 HOX 6'W  2M 

&YX)  9GF]!i /$06 + *-1 *Ï'6h1 J& _'21"#"*'3*1Q>ɒV"*"V _1 OX X9 H"#'3à

&YX)    y BC) $S!y&~#$0 # MX&‡ BF'21 ) "]1 H#"#\= "'0J'21$0 )WU#1X"fÙ0'#'\_U

H 1H$%&Y [ ) '2\.

]$01 H) IX&V #$0 1H, X'2 X&h$ó#]J') $06(=#CFH= C'), $06‰&Y [ )'\‹ ‰;$0 ) &D* ‰  '2*Ï'b+\4^* #  A'"#"#'3#Q>

HXa1X>‰á M  f1 H1QX# V' &QF\A"X-E'3, ) $01Ð'"#"#'2# 2ß7q6Ì pl~rGq‹nqCkmqCjpzmxDÍS'W   [ )  Q X  "#*v> ?]0GF ) _ O bƒv6B&YX) O 2

X"#1 -J1) A5C D#$06 â45CA&YX) 

Õ †> >bo1 W×W

-S&YU)  XJÏ"#"*\0 '21$!*U#10X&~!DXQ>

2.2 Similarity measure e"*) +*-`'W   )  0-) }*$O

! }à # [ X#^# f H#$0#"X*+\X>D‚EC) G ÏW +~1 Ha( QVÏB 

#-6‰ H#$0#"Xb+\$01 H)>~á 1"*"#U^# -F1'3o H 1'2 $0C "†1+S$0 )  X;'21$0$0 "#\) Hv>y‚E ;ÏW +

Ž2‚Ð5Cy&YX)  1 "#\C‘ âoá ;5C&YU)B H ã

1 ; 0 *Ó‹&y  C') $064'21"*"#'3#1I ;F\ "-1XAPGF.) Häà&Y¾&YU)  "#'2# 'W  [ )  2>|áo# HGFI*-1 .1 & "#  JXi P'WXW'3W 2BXi) iånpxÊ w‰kmz{np‹9"#S"*1 -VW ;^b`JXa= H, '#$0#X#FE DU

Õ )'WI1 ^X'2"# 26 1 ) 2

'UÒ+)'3*1 Xi)5#"*\F! W×W>æ?@PX" 

 Z o VLM)'2"# HX'2X6^ 'W ‰ V FG, X-1BX&~!D# -  *"#\S)  H ! "#X>f‚E BXE&Y2, [ )6V$01 H)(  A'1 *B #$0#"#*+\>Ð
7 Z H-X # oF1\(ÙO'2#6f'2$0 )X#B&Y1o$OX"##Ó;F'3W 2 ý ý
þ ü ×~ *$0 "**Ï Z EX

H#'M#4Xo' ö2÷Xøù7ú‡û Õ+þ ü NGÿ þ ×W>MŠ') M#‰ H) "*W ~F\4 *$ , )'3 Õ þ N *"(#]U) Xo'1 # S #$0#"#*+\h'X]!h &Y` LM)'"*Xh # H'2 Õ H;&Y1^25 X$0 "*SŒÚXY×W>

) h"#"W '26WX# # -AAC) $0'X"'WX, 1'3>T‚E  9 H#$0 "#=)  +#'_#$0#  H }  &YU) O 2A&E!1)çXè  è1èèJ1_$O 2éh‚E  "1 +h H | J!D|npqCÞê`W 2^U Õ &Y156,  1‹)'2Z $ˆS'X '"&Y$

*F1Bú '2) $01W 2 #WXW'W '"'"*) +*-y )'2

$0 "#Xë½!1) -6ìë˜! # -ìSë˜! *-1 ì'‹!D2,  )'2V(ë˜! # -ì½×3) # - í‰Q"*-1* $= îU†>

'2"#) HW ‰Uo ^!DX1$9>o‚E  o H)"b‰'!D^ H "G\1

Ž2‚~-]&YU)  01 "#\C‘ â=‚E `'2"#) H# -]$02  ‹^*"#"## -J F"# 9&Y('2"#) H# -O H)'3, ) P') $06 ‹X#$O B_!J- WX"†>=‚E 2, &Y11^GFE$O1E ;'W '24 Xy$OC)X"#"#\ -11) `6\IWX-I"#!" 2>B
` W'2'2  ($0X

U4X"#"~-J"X!D" ;X H#'3

Õ > ->bfì½  ŒXìQX

ì½  Öì~&Y1S ) !, H'3*1/X&V"#F";ŒJÖ`XJ H, #'33×W>`‚E J "#\`  '  H# -9O$O0E

‹ )  V B'2"#6 H# -(-1 C1 yV'2 S'3, ') 6B ;$)'W=&Yì '$0 "#2XìX-6

Õ ^b`!DX

J +WX# -h``# -OWX-C×V1 Z&Y1V   , '"#1 J  Õ > ->boì½Xì*Ðì 6*+\Dìb~ì '"  'Uì˜×W>Záob, X"#"#\XC(&Y)]Œî€ *ƒv6X-S&YU) 2> ã



V  +S H [ ) '& Hb# ^*‹; # -"#y'"#) + '26WX# # -^X"#"') $06 ~U‡ M QX4ú0 H# -1"#21

‚E( ) "*# -S HV'211WX# =Œî1î ÚŒUï(&YX)  > ã

2.3 Clustering technique ‚E MX‰+E$O*;&mX$0#"## X&'2"#) H# -EX"#-1*$O 2>

Ž2‚Ð5C3ðV-1 ‘⇂E  ‡"1 +‡$0 A'$S! #  v!DX &YU) @ 2 ;!C\å *$0 "*\}$0-# -] $9>ñ‚E  XWX"QC) $S!&~&YU)  E  ]Œîî  ò1èè>

‚E 4'2)$06^F'21 ;IÏ"#"#0#I^bh 1H, $OX"##ÓIH&,7C&$0 )  2>‹‚&,7C&'$S! #  Z$ó&Y2, Õ &×@ òUAXÉ#CFå'2) $06J&Y [ ) '2\ ) '2\ [ Õ C&W×  ځ{>h‚~$æ&Y [ ) '2\= 4 #$0 "#\J 0C) $S!(&

'') '2 ‰&v ^&YU) V1 ‰#04'2)$06>‰
7

XaC   ; ;XB*4C ( (WXa1‹ 0 H D'bÏD'2*+\J&

 ^S 1-WX$

Õ  ) !D'"  &‡B;&mX$0#"#\×3>o


X*#1X"o'2"#) H# - v^ vÊÞPqCÌ Íon# VS$06 +

'2$0$01@'W   [ ) X‰JC) $S! /X&; H#/'"*) +, W Z ^* Z-#F ^# ) vV$0# I1 ^ H X&  E '  2>~‚EE'"#"#'2#( Ð# *"*"#\^ H*#  *6'2"#) H y^ 1 

[ )"#b+\ M DU"#\S #$0*Óv ) 6#"‡0 +WX! "#B H1"#)#h# &Y1) v>
=- WX"† #'W 'X"Q'2"#) H# - 1 Z!D_'2 HC, à S ! +

[ )"#b+\/'"*) +*-_X  6'WQEX bW [ )1WU'^'$0 "#25*+\A J bW M$O* a6  2> á _"X-@'2) $01W 24 P"## I#$0/'2$0 "*5b+\ Õ B> > >æ /C) $S!I&  C') $06W ×JX& Hb#" 'W  [ ) A $O0 $%$010 D ) "X>]‚E  A

  '2X"#"#\ ) 4&Y1V
+gt \C H$O ^^ 4 ‹'"*) +*#

&|X#$0P/#$0 UFO = \C H$9ì

ÙO'2#'\X> á )  $01„6*C!1'WhVX"†>ZŒèUQGFB$O1;"-1

'X"#5 #$06W ‡^*SC) $0) o X 2W ‰XFUX"*, )U*1O$02' M^ 'W0ÏX"#"#\ D#6O) E1  H)"b X`.'2"#) HH, [ )X"#*+\&  P!# '2# -àa6,†$0X

'W  [ )IE

XO"* H 1

-C1 SX0X&(  *, W'W '" 1'W 4 \P Hv>
 J5C D,

*$06 oOGF1h']=) Oha6,†$0X 4"#-X, *$9‡!]&YB* B"## Z*$0 '21$0 "#25*+\J= 

H#$0 "#'2*+\‹&o*W "#-* $9>

$O o*6;''21) 6>f’.$ä^ 'WA ‰'21$0$0B



$OXC\‹ C') $06W ‰# M"*  ‰) H&Y) " X0($ô'21$0$0

  [ ) Q UFCoE1 2,7"#F1"G X**1 # -y&1 y X1 H *h"*# Xf#$0 Õ  Õ úÐ×y1  Õ ú Õ ÷ úÐ××M^;ú= H

/1 "#\P_&Yõ'2) $01W 2>|‚E 

  `$0X#F1O&Y

*F1 (6)$!D ‹X&Q #‹'2"#) H Xa6,†$0X Ð'W,

'21$!**-SO$9ì½ E&Y [ ) '\9^b* Z#CF A'3, ) $01;&Y [ ) '\Xv^ 'W ^S#FC H#1J&f X" C) $S!&‰ C') $06W #J A'"#"#'2#0!C\0 BX"

&YB06)$!D4&'2)$06 ŒGÖGY×W>0‚E O"#-X,

C) $S!‹X&('2) $01W A^ h  ‹$¾'')  >@


'2) $01W ^X4 H9 ^ XS 1#1W 2>

*$

 6#9Ï-1) hŒ‹  H)$0 E ‹C) $S!V&

 #0'2"#) HW f!D;-1#F00"## ‰  (# (U

ŒX>

 "!#$%&'Ðâ ã

ã

J D#6 EX4'W 1 I E# *X"v'26

ã

’;  #-h'WI 1#1E A'2"#6 H +^'211

‚E  25 H($O6\9$01$0 )  >á 1425 X$ , "#X(/"*"*,7aC U^à
+g

á~,7$01 H) ` I!

X ]='"#) +# -] çG†>I?]h #] ‹) 0*  UF1 ^*Z E!C\JÏ *#9X J&Y^  '1 H^ y EFU"*)U#1A'2"  H Ð [ )\B,

 Õ   4FUX"#)U#`$0 ]E 4) ]^*

ÖC>()*%(â ã

e1$0 )( A'211OX&o1'WI'"*) +

FUX#) ‡‚^gVLe_'21"*"#'3#1 B #Ð1    H$06

ã

’;  #-h'WI 1#1E A'2"#6 H +^'211

 ) "* W×W>

€>,+-(&.0/&"-1" ã

 &"~â

’; Z HC1I1  A'6 X4 +WX! "#


1X" [ )X"#*+\4$01 H)  f^) H ^ 0 4$OC)X" '2"  H*Ï'U*1/

UFCv>|‚E \}X9'$0 ) !C\ 'X"') "U# -SGF-(*6,yXI#6WU,'2"#) HE *$0#"X,

2^z{Îl~rUq43576SÌ nq8vÊÞPqCÌ ÍonSÌ kmÎDxrUzmpsoÞ

b# >y’Z925 X$0 "*(X&fX9#6" [ )X"#*+\0$0 ) ;

jxDs~qCnzYËqCÍoqCnn Õ  > aD>½>äŽWUF"#" *$0#"X*+\‘×Wo^ 'W # ;2Ï I&Y1V1'W'2"#) H; ^ ‹GF1WX-4 #$0*"*+\ !+91'Wh+0'2) $01W X&oXV'2"#) H>

2.4 Discussion on evaluation

2.4.1 Internal and External Quality. )"#b+\.$0 )  >

‚E =9+/$OX#&mX$0#"#* ‹&

[ [ )X"#*+\]$0 )  ) H Õ 25CX"Y× $OXC)"6'"  H*Ï'U#1;&E C') $06f'2"  bÏD'U#Q ‚E q
9Qpq6rUÍ~Ìk

^  ~ Zz{Ívpq6rUÍ~Ìk [ )X"#*+\($0 )  oB X>‰‚E  #'2# "#(X&yX5C" [ )X"#*+\O$01 H)B ^h'21$ , ^ V'"*) +*-;‹5C H# -( +*Ï0'"#1   >~‚E 

!D2HoE'"#) +# -ZXA ^'"#1  *Ï'X#0ŽW$OX'W‘  !HO 25CX" A'2"#) H# - >

[ )X"#*+\/$01 H)IFUX"#)X

2.4.2 The INEX case

R;) A25 D#$06 B'21$0 XS h) H0&Z*ƒD1B&YU, ) ‹ 2 >’; Z )'WQ  \I H)"b^#9*ƒD1Z X#^  '2) $01o H#$0#"Xb+\FUX"#)  2>ЂEC) Ub~# Ð'2"#QXÐ H, #$OU*-; Z&YU) Z 2W y! S0#  6M*6X" [ )X"#*+\($0 )  ~1) "4 Xf$OaEXC\A H X>f‚E 2, &YX‡‹$S) +B) ‹56X" [ )"**+\J$0 )  >BKVF6,  "*  XC\025CX" [ )X"#*+\$0 ) Z"#* M1JX 25 +*-$OC)X"'"  H*Ï'U#1QX4X‡M#$0f&6  25 #$01W 2C 4 "#\h'"  H*Ï'U#1S5# H# -&YE 


J  Ea;GF() Hh6 C\OXJ ) *+\XC+ &Y [ ) 6^25CX" [ )"**+\ $01 H) 2>


+KVLM8ô'21"#"*'3*19‹ S\X;0Ò+1) X"oF1"*)$0 */^#'WPPX'2"# E A ) ! "# H v>`á 1‹$010'21,

H H'2\Xo0GF0) _4Ò+) "# B1 4) '2"  H 2> ?](GF;X" H‹$OV X '2"  f&‡ ŒÖ1çBF1"*)$0

‚EZq6ÍvprUxwQu= fS#&Y1$OX#B 1'$0X,

ã

)   6à!6\à„C  ä :U†>t
7J$0 ) 

U` M'2"   Õ $O6)X"#"#\WX-1-×vX‰ # H#! ) ^* #.1'W}'"#) +>}‚E 

UFC S

ÔZ&Y1H) U"#\X#

'"#1  *Ï'X#@1 0@C) $!D &

FUX"#)U#P&Y1h)  ,†  +å'"*) +W

1! "#$O >~‚E ;$OX#  H)^# fXM  H;'2"  H o&Y$

[ )X"#*+\ Õ &YJ #WX,

'W#'X"‡'"*) +*- C  ^$0X ^6 C\OFU"*)

O Hb#IX&fS') $06;'"#"#'3#QU(#  

'X|!D@'2$0 )å "#\} J"#F";X&4 ] ,

'2"  H ‹h # mÒ+#6>@‚E  ‹ 1 H+\] ‹WU *X ,

 1-WX$h×W>KZ&Y$

 _U) X&A61 6\

1 #XI&YI'2) $06h'2"#"#'2# 21

=25 +

U;bW ^ #$OX"‡ '21B ^! X# I^b H# -1"*,

 h )'W= +'2Z!1V!D2+9+OH#'"# E Z 

`'"#) +W V92&YA11 C\I'X= "*\

$OG\!D;^*0XE UW4+\C  2>M‚E V&m'2yU^XhH,

!DV) H0S'21$0 XZ'2"#) H# -4 "#)#1 fX&Ð b&,

'2"#B1 E ) ! "#  J#I -1*F1‹Ò+) X"Ð"*\ $0X

&Y6^ #Ó 2>

Xh*0') ". XOGF19!à ) ! "#  #} X 

‚E4'W   [ ) ‹'21 # H ZX&‰ÏW +;'X"'2)"#X# -  '"  4 +#! )#=& h') $06‹'21"#"*'3*1Q

! "#\0C0 +'2>

U# f ZC) $S!DfX&‡') $06 M* 'W0'2"  > ‚E46 C\O&‰'W9'2"#) H;e| E!1 HII  1!X! #"#*+\9XS_'2) $01X&(e

!D"# -6 B

'W'2"1  >E‚EAUF"*"v11 C\h E‹GF- Do'2"#) HQ6 C\V#-11;!C\V y *ÓfX&1'W '"#) +> ã

 '2# # 2D^ 'W`'211WX#=O"# H# -0X&y  X'2"#

) ! "# HJ*h A' H D# -‹F1"#) $0X>

 > - >*V‚^gZLEe ‹
+K;LM8B×A ‹'2"  H 2‰X] J' H D# -I C'), $06  y ;"#$01W fX&Q ;'"  26 HXW'W W ‰GF

Uh'"#) +  =Ž3  '2X"# H ‘9#}/'"  2>}
7O#

[ )"**+\ X&;'"*) +*-I$0  >]‚E h'2"   4ƒDS`$0

#$0 "#\;*W ‰"#-1 Ho'"#1  o#FC‹!6\‹bW ‰ H#Ó>o‚E 

) +WX! "#(C) $OX,725 D'"#1  *Ï'X#‡XXE&Y) H ,

UF1WX"#"‰ ) *+\`X&Z='"#) +# -I "#)#]# 4 

$0AX"#"#UZ O C') $06^O!"# - O$OXC\h'"#1  

‚Ehw‰lÐrUzYpWuÉX&V='"*) +‹$0 )  B Uô$S)'W

X&O&Y1) OA U +&Y\C# -BG\FUX"#)XE 

S#-6hGF1WX-1ZX&o B )*+\O&~1'WJ&~*

Z 1 X>Z‚E &YX4 "X9#I&Y)  Va0O) H

# *FC)"D'"#) +W 2>

 P$OC)X"4    H$01W h&‹ /
+KVLy8%FUX"#)X#Q

#-#"*"#\]X#$0}Uh#&Y1$OX##FUX"Z \ +$O 

 ySFU"*)UV ("#FUX'2V'  +'\&~'2),

Ì L‰kmqdY5,NJqCnlokYpnxDß]vÊJP‹Ì1u=jkmlonpq6rUzmÍoÎ0߆xrCSRe[-T K M á U) 

‚Ð5C

‚~-1

‚~25C(ðt‚oX-6

LM61 6\

è >½çòî

è >˜ïçXî

è>½ò ŒGÖ

áo#X"#"#\XGV'2"#) H# -6 ÐGF1E! FUX"#)X1''21,

íM)*+\

è > ÚCçUÚ

è >½Ö1çUÚ

è>½€î6ç

# -_] @ŒîhÒ+1) X" ^ I '2)$06 S

e"#) H# -‚E#$0

Öè Œò1 2>

ÖçX >

ÖÖŒGçX >

$06W ^'2"#) HW >

) !"*  Q "#) S =  b#"F1"#) $0I'2"  2>|‚E  ŒÖ½Ö€1ÖB') $06 yX&Q ;
+K;LM8i'2"#"#'2#SGF1^C)

!D9$O O9Œ=: '2"   >

25Co&YX)  >o‚oX-V&YU)  o oV HXC,7"# f D&Y$

RV&Ð'21) W H1#0WMAa1 O ;25 #$01W o&mX#1

25C^&YU) 2 41 *-‹ oÒ+) HVGFWX-1v>

$)'W}W HX.^ } \X'21$! # /_  )  hX"#"D'2) $01E"#$06 M'6# # -B ($0 X& BÒ+1) X"f^ O'2) $01BE B ) !"*  Q>
0 W'2'2# M$0X ‰ V"#$01W ?>ZA@B>E&Y@ X>^ =@iXh #Z'266^B#- 1v>

;ZUF y$OG\V25 D'2‡Xo1 # -ZXB56Z #'2 X&#&Y$OU*1ZX!D)o'2) $01W v1) "V#$0 UFÐ #  '2# #‡yX} H)! H [ ) 6"#\@ # X#^ Hh #$0*, "#*+\($01 H)  XXS  ) "BÏX"#"#\B H) "*‰#;!H

3. RESULTS ?@SGFS*$0 "*$06X_25 D#$069  'W,

'2"#) H# -

  [ )  E '#!DO!UF1;1O B
+KVLM8t'"#"#'3#Q6) +, # - y ) ! "#'2"#\ZGFUX#"X! "#Ð'"#) +# -M61"#$0 "#$06

‚E JOFU#) B  A&YA  [ )"**+\_1 , *-_&Y1"#"*U^# -= #'"*) H#/&;WX-]&YX)  >Øáo# H

!C\

 



1-1CB4\C   ÔZ #F *+\&‰:=*  XW

>

[ )"#b+\>

[ )X"#*+\`FUX"#)U#@  ) O$S) H!DJ'X"#"#v…yá 25 X$0 "#) *-4 V-4&YX)  CA&Y|'"*) +W fGF

?@SGFS) ]a6,†$0X ;^*_aEDGFçCyŒèMŒç~ÖXè ~ÖçC

$O Z"##aë½$OXQìv4ë½$OXQìv V #V$01 H; '# ,

€1ç
H&YÐ56,†1 "#\XG-1 H,†1 "#\VXB-1 JI(25C>Ð?@yGF1

#F(&YX)  >M‚E \h$OX# "#\-6U ^X'"* f&Y$c 

'$0 ) B6 C\(4 )*+\() H# -E ~Ò+) X"

Ò+) X" ;Ž2‚ÐWX 1'3#1 oIe1$0 ) ‘BX]Ž3‚~ +,

*"* E ^'2"1   >

'3# 41.ífXWX"#"#"fIód;# H#! )/„C\ +$O ‘>`‚E 

$0#'29&(+.*ƒv6J'"#1  

#$0 "## "#U ‚E 4 ) "* X&o) ^5 #$06W M&Y1VçC‡ŒçÖXè XJ€6ç '2"#) H VXA H U^  D'3#F"#\0#9! "# 4Œ½Ö € X Ú >f‚E ;)  MZ'2$0 ) O0Œ€€€B:Ó; Ha61 ^*]ŒB-#-1!6\6VX&‰$0$01\>

25C"

[ )X"#*+\_$0 )  2>/
70 ‹UF#$0 6  *, ! "#9/'2"X#$ 1 0/'2 H [ )'JU0 1 '2"#) H

X; ^FG"#)X! "#>MR;h 4 Xv $0('2"#) H

X1) !"#  "#\J -1X#F"*\JUƒv'3`!6\9   **1

Ì Lok{q435ONhqCnl~kmpnAxDß?vÊ*PÌu}jkmlonpq6rUzmÍoÎ`ß7xrQSRUT K M á X) 

‚~25C

‚~-1

‚~25C(ðt‚oX-6

LM6 C\

è>ïCŒ1Œ

è>½î€ò

è>½î ŒGÖ

íM) *+\

è>½€èŒ

è>˜ÖŒŒ

è>˜ÖŒò

e"*) +*-‚E#$0

ŒçXè1 2>

Ú1 >

Œò1è >

Ì Lok{qVW5XNhqCnl~kmpnExßYvÊ*P‹Ì1u=jk{l~npq6rUzmÍoÎ0ß7xrZSR3MT K M

X&  WX-I&YX)  >hdV') $06A'2"#) H B1$0*U !6\I ++\C"#(&YX)  Õ X> - >*vë½!‡ì;ë½Hì½×ZX(WU ^-11) , *-;'2)$06 Ð! 41A #~)W 2ìG^**-Z ++\C"#X> ’V XO#"#"#) +X#‡ 1 ;'"*) +W MXZX"#$01 Hf [ )"*"#\  +#! )JX$00 A'2"   >

3.2

Ëq6rGu

“Tags only” permits fast clustering ‚E ‹'2"#) H# - !1 H9 H1"*"#\09- &YX)  V# ^'$ ,

á X) 

‚~25C

‚~-1

‚~25C(ðt‚oX-6

)9$)'WO&m H>y‚E#  E 0 )   (1  4C) $ ,

LM6 C\

è>½ò€1€

è>ï":î

è>½ò6ïXî

!&~*$O M y _Œî€C^ h* ;Œîî  ÚŒGï;&Y1y25C

è>˜ÖÖXî

è>½€6ïÖ

ŒŒ >

î€CïU >

íM) *+\

è>½€6ï':

e"*) +*-‚E#$0

ïXçUÚ6 2>

Ì Lok{q\[]5XNhqCnl~kmpnExßYvÊ*P‹Ì1u=jk{l~npq6rUzmÍoÎ0ß7xrZSRUV^ K M áX) 

‚~25C

‚~-1

‚Ð56;ðт~-1

Ly6 C\

è>˜ç':1î

è>ïïç

è > òCïï

íy) b+\

è> ÚŒ€

è>˜ÖX€Cï

e"#) H# -S‚E#$0

Œ1ŒèŒ >

΍ 2>

è > €1€1Ö

ŒŒ: Œ >

 "#\X>?|UZ Z )  # # -‹ E Ui-CJ BWX-6 +,7 "#\  H) "*W yXX'21 # *-;U (^ 1"*V '  M) 

*9 '21 E1I0 H XWh  a1 Q>
à "#'X# A*CF1"#FC*-9]C) -1JC) $S! X&( C'), $06 XJ [ ) ## -A&m1 +V'"*) +*- Õ > ->bfŽW # [ )\C‘@') $06h'2"#) H# -_&Y0
+g;×Wy 12,7Xƒ !+ [ )"**+\]X@Ù0'#'\_$OG\]FUX6WX-  

X-6 +,7"*\ 1 #‡>


7; ^ UF1V*ÙO'2)"b^0"#"{! H ^AG

3.1 Including all tags decreases quality! ’'2"#1! FGX#0 yX&Y1ZXC\0 #OC) $S! X&'2"#) HW ZaDQ !D H

[ )X"#*+\h V1!# ^* 

à aE” b;· _`  •UŸŸ+žÅ ÆÆ3™f™f™fµm6— ›+—WÈ ¥W—WÈ 6§4ªÈ  3¡1CÆcœ¦›£ž6–˜—HÆ¥«Ÿ+šUÆ

[ )X"*, b+\= '21 2Q Ut"#"o‹WX-J&YU)  B'2"#) H# -h $OU'W*- 9ŽW56; "#\‘ '2"#) H# - >E’ä-16 [ )  H, #BV a; QU@'"#1 MX‰  H'2"#) H# -E H1"*) #

g

?@ a6UX( S-1 H,†1 "#\I'"*) +*-0 H&Y1$O

 ! "#\4"*"^#S H D'2fA*W f'2$0 )X#"C2&,

K ÌMLok{qhT-5iNhqCnlokYpnOxDßjvÊ*P‹Ì1uÉj1kmlonpq1rUz{Í~Î}ß7xr9psoq k ËDxk{l~Þ.q k jkmlonpq6rlP0zYpsmSR3T á U) 

‚Ð56

‚oX-1

‚~25C;ðt‚oX-6

íM' H#

ÖXîon

Œè1è
n

Œèè
n

g^'X"#"

:%:
n Œèèon

LM61 6\

è >˜ïÖÖ

è>½è Œò

è


6"ЄC#$0#"#*+\

è > è:XÚ

è>p:è1è

è>p: ŒÖ

e"#) H# -‚E#$0

ïXçXÚ1 >

ŒŒ 2>

î€6ïX 2>

íM)*+\

è >½Ö%:1ç

Œèè
n

è>p:%:6Ö

LMFA ) -1‹ ‹Ž25C3ðVWX-1 ‘^ D&Y$O ~ "##-6"#\V!D2,

C (2ÙO'*'2\q [ )X"#*+\BW,†ƒJ!CFC#) "#\A "X

&YA 2&Y# -I 0-X,†&YX) 0'2"#) H# -9 B 0 2, '  H# -&YQ y #$0 "#~'2"#) H# -$02 (f  6 #-6E!"#UB>

„6 tŒXâ=a6,7$0

'2"#) H# -]X&( 9&Y) "#"V C'), ã

Œ

$06;'"#"#'2#O! 99 9ŽW-1 H,†1 "#\C‘‹ ,  6X#Q>å‚E 9ú'2"#) HW ^b}åGFWX-1 #6"‡ H#$0#"Xb+\X!DUFBS   "

Õ G\hè>p:1×

XBa > Ï'*'2\f! )  UÂ'2"#1 0 A  A-16P A`  ã

!D2HSX 4  ) _&Y$¿ ]ŽW56,†1 "#\‘J'"*) +, # -

g

ÔV&Y)U"#\X6   y H#"#"#0;"# +M&‡&Y)) 

0 ^!"*1 -0  "#'2h'2"#) H W×W>

aé

3.3 Exception: the ‘volume’ class á 19'Wi'2"#) H# -Z$01 HJX& àŒGÖç/F1"#) $0> 5$0" Ï"# '$0 #"## -96*+\@&Y' _9H'2"# 4& -1*F1]F1"*)$0S&Z Ò+) "{‰X &Y) /^* #] 

X$0B'2"#) H>‰
9'6W #'2#0^*O4-WX"v!,

FGX#AXo25Cf&YX)  o-1*F1y #-1  [ )X"#*+\4'2"#) H, # -AGF14&Y) 9XV&Y1V  V  '2*Ï'A'"*) +

Õ  „6 hÖCâf’ úÐ×7,7$0 f'2"#) H# -( o 0"*v ü !1 H‹1‹ ^$OX# # -Z') $06 Õ  6 HU

?|b= ‹
+K;LM8

'"#"#'2#9X=arŒGçCD "#\J SF1"b,

) $0Z'2"#) Ho ‰  "#'3v>o‚E^ H) "*W o^  U^S* X!"*Aï‹XI'21Ï$ô 4'2"#) H# -

[ )X"#*+\#$0 UF, $06> ;ZUFQS GEX4X‹ H)'W_J$02C 'X X0!DI'"X#$0_@!DI ) D#M!&Yh&Y)  Õ H#') "X"#\h) # -*ƒD1

25 #$01W BX$O1 '2"#"#'2# ×3>

Ž25C3ðVWX-6 ‘9XåŽW-1 B"*\‘I-#F1‹ O!D H‹ H&Y1H, $OX'2X>É
àX!"*`ç=GF1'2$0 )FU"*) S&Y '"#"XO '2 *1‹&Y1y  ^ì F1"*)$0Xì1'"*) +>‰íy'2*,

*1J  4C) $!D^&Eì F1"#) $0Xì'2)$06 &Y1) 9# F1"#) $0‹'"*) +

Õ ) S 6 H**F1 W×WQ#FC# 9!C\9 

*ÓMX&Uf'2"#) H>og^'X"#" Q 6)$!D~X&Qì F"#) $0ì '2)$06 &Y1) I#J 4F1"#) $0;'"*) +#F6h!C\ Õ †> X>*‡ŒÖ1ç×W>

BXWX"QC) $S!^X&oF"#) $0('2) $06

‚E  B ) "*B 4) 9OF\`  D'2*Ï' H)'3) S& AF1"*)$0;Ï"* 2>E‚E \9'216X#J "## H^X&‰4*"#

X&"#"1X'"* Q ) !"*  (#4 ' H D# -oÒ+) X" F1"#) $0X>.‚E  +\C 9&('2)$06 ‹X"#"#\@$0 H"#1

V25CE&YU)  X 11'WQ61 *O  ' Z ($01 H

 '2*Ï'h&YU)  0XI XOX'"*O*"# y! ) OFG#1)

Õ $06&y ) ! "#'X#J&Y(25 $ ,

) !"*  # -OX#"

"#×3>~?@^GF1'$0 )‹ ^$06 +f '# *F1M$O

&Yh `F"#) $0'"*) +&Y1h1'WàX&B ` =&YU, ) H (#! "#ò >4‚ES '# #F6*+\J$0 ) 4&Y B&YU)Z^* #OA'2"#) HM ‰ ; '6-^&‡*6, "‡ H#$0#"Xb+\AXZ# E)BS  E H'2) "X&YX) X> ?| ` S&YU) S 2A'216X# ;"#$06V"X!D" Õ †> >b -1 W×W6 \ 01$0*UZ ;56&YX)     '21  [ ) '2BX&‰$01B '2*$0#6y +#! )#Q>

K ÌML‰kmqts-5 K q9Qp0ß7qCÌpl~rUqCn LoÌ nqCÝàjkmlonpq6rUzmÍoÎuP0zmps Ì Í~ÝvP0zYpsoxDlÐppÌ ÎØß7qCÌpl~rUqCn=worGq1ÊWjkmlonpq6rUzmÍoÎ]wVß7xr SRx3T ”D ºXŸf¨* 3¦Ÿ+›+ W— y ¦§4 ·1¢11Ÿf™M–½Ÿ+• ž›+ µm¥W«˜6—7Ÿ+ ›+–˜ª6¶ 1 U ª  Ÿ + ›  š U ž £ X ¯ È = {  | | ¯XÈ {= | ¯ z 1  + › ½ – { Ÿ £ X ¯ È  | ~  ° X ¯ È |  °= } ”‰–˜§4  ~ ® —WÈ  €€‚,~ƒ —WÈ ’ZC\C UBV`!D"##F9UI_-1 "V/.) H

+)'2) 2,7!1 H;'"*) +*-1 ‡E  '2  *-yX& HX ,  XW '2"#) H# -($) HM D$0b‰4*$0 UF1MV'2"#) HH, *-

[ )X"#*+\X>Š)‹=25C@ J "#'U#`&E 

#'# "#ZS B-WX"Q'1 HC4X;^#"#"## -B0'21,

H~$01M-1 "1‹  # H'UB +)'2) WX"C *$ , *"*+\`$0 )  >@’T'26Sa_ S XWX! "#\@ X, F6.. bS H'2J!+P  +)'3)  E&o8(:=Z 'XŒ@ Õ ŒÚonS× ‚Ð562ðV-1

> 6*+\-@ Õ ò€oS ^ n × E > *"#%@ Õ ÖXè
S n × Z > 'XŒ@ Õ ŒGçnS×

H)'3) " #$0#"#** Z]'66 #$0*"*+\9# D$0bW  #$0 UF1^A'2"#) H# -

[ )"#b+\>


70 H$O "*#a1O'2$0 )# -&,†C&;$0 )  ‹X&ZWX-`"X, !D" Ð ~# H) Ù0'#6UX‹Xy UP' # -E$0

   H'X0$01 H)  y&Y; +)'2) WX"Q #$0*"*+\A!D2, +0') $06 >‰
 +1&Q) H# -( ^&Y [ ) '2\‹& "*$06 1 # VX4h#-6Z ') $06

^* 9XWX"V #ÓIX&( "*$06

Õ 10^* *

GF-0 *Ó×3>=
7S) "@ H#"#"M$OX#_`!DJ '2 ^    = #ÓIX&4X}"#$010  ) ".!=Ï  "#'X"#"#\]0 S IXWX"Z #ÓIX&;*W 0 H) ! ,†"*$06 M# ^ 'W9' ( $OX"##ÓX#S  )  ) "h$0-> „C;&mXU  oa;1 o! *Ù0') "*o)yV E"#1'Wa;& 9F\_"X-25C,7'6'0 +)'2) @') $06‹'21"*, "#'2#Q>S‚E 
+KVLM8ô# *X#F41 BX"#\I UFC# 

)'WP'21"*"#'3#1Q‡! )S$0X*-X&Y) "M'"#1   (0 X \‹GFUX#"X! "#AU4 0*$0SX&E)425 #$01W 2>O‚E  $OXC)"1    H$06 M&‡;
+K;LM8É #' y^#"#" D$0* ) E0&Y)  ZFU"*)U( AFUX#) E H)'3) '2), $06Z'2"#) H# -SX 6'W  2>‰
I  ^-6XWvB^#"#" X" 4 0$0Z'2)$06'21"#"*'3*1  H‹1 f‹$OXa1

) BU; ‹ H) "*W ^4-12;4X Ž2 +WU H'"Q'3,

bŒ2VŠ;>De&>‡†?) ˆ
"‰‹ŠŒ
ˆi"1QJ')*/ŽoŒ
ˆe!‹') ˆ
‡!‹

&‘\1%&/’M“Q1‚/)‚ .- &"W>víMd   2

ÔZ*F1W H*+\ X&MeX$S! # -XDŒ=:CïUî>  ÖGVd‹>



) #"#"#) $0VJá>:=) HWX) -1Q>De"#) H# -‹&

8;:`

 çGVŠ;>’V >á1 +ZXJLMƒD'3#F1 ‚~25CV:# # -Ô; H# -0

$0'WX '"'2# - XJ 'W # -X&‰"#bWX\

‚E BXVFUX#) y 6  #! "#V 'WO#'2# >fR;

\š"!©&J.“Q‰mЌ

 B_F1"# _&YX) O H"#'3#]$02C B&Y‹X-"X, !D" 2>B„C$0‹ #$0 "#BG\ ^$0#-6Z!DAh "'41

!C\A #‰&Y) "#" X05C   # UM!C\A #f"#'" U 25   *1 >@
7O)"#.X" H`$OXaI H h@ F"# EG\C (=2'2*ƒD6‹'2"  H (X&E-"#!" 2>h‚E   H#'3^X) 4X&M $0BX&‰  A'2"   E) "h 

#&Y$OU#Q>M*§, ¨›o&'’M)‚'!Y&‘Z™X‚")*/Žx'1 Õ Ú6×W⽀è:—€ ŒGïCŒ:1ç1ïC>

½ïV’4>DKZ#$OXhU;4>˜1X-6 Q>LMFUX"#)X# „6)'2) WX"Є*$0#"X*+\A#J8(:=
xž‡ ‚ŒŽ

‚()‚%&''!«ªU&')*¬*Ž&J.m&"ŒŽª8="-1 \'A% ­ª8=C§¯®o°%°"®=±¥¦ %1'$&'o¥ ªi$/&'‚Œ DÖèè6ÖC>

'"#"Ð&Y1B bƒv6B C'  H# -O'W  [ ) >‹
74# ('2"#X &Y~25 X$0 "*2U‡ MWX-1 fì &Y$OU‡ìbCì½ H-1$0"*$OXQì*X

 îUV:@>í‰1H>C’V=X"#-1* $Ñ&Y1Z H) ÙS59 +# *- >

ì $OU‡ìoGF1O$S)'WP#.'21$0$0/X@X \/$OG\

U : (eV>LZ>„CX Q>’$OX $OU#'X" \OX&

!! "#\9!0$0-1=9 H# -1"*hì $0X,†$OXQìQ'2"  > á 14O"# Ho0$S) H4\=='') 64&Y14 O&m'3 UZì H&Y$OXQìCXJì½ H-1$0"*$OXQìXE$0^ H#$0#"XÐ ì½ H-1$0"*$OXQìCX_ì½  ŒXì Õ H)! H'3*1h&o"#F1"‰Œ×3>

•¦)*&Jˆ%)*"“ЌÚâ*Œ€è"—DŒ€Cï6DŒ=:î1è>

'21$0$) 'U#Q>o§Z!Œ!]+‰–A“³²/Ž6 Ö1ïC⠀Cï":"—6Ú6Ö€1ò6ÖX€"—Cò1çòvŒ=:Ú1î>

ŒèUV:@>D„C#C!1'WQ

 ‰ > B4X\C  2Xe´A>BB) $OX> ’

e$0 X# 0&od;'2) $01(e"#) H# -

’ZX*6 H# -4 ! "#$Ñ$0-1 &Y1"*"#U^# -;  a0*I 4
+KVLy8t*bU#F1XâÐ$S) "**,7"*F"'2"#) H# -> ‚E /à# I|'21$0 )/  H1WU*1 JX&O'2), $06= ) !,7"#$01W J-12 ^*ÉP'2) $01W 2 XÉ-1#F_1 =} H)"b'2"#) H '6# # -P*$O J& *ƒv6(-1C) "Xb# >(‚E  (J ;'"*X"#\I#F1 &Y$

 
+g 1! "#$

6 H9!6\9
+K;LM8ADX&f2#FC# -

‹!D H;$OUW'W # - "#$06 X ZX9&Y) "#"‰'2), $06W E25 '2"#) #F"#\>

5. REFERENCES

‚~'W   [ )  2>
•¦)*&/J1'Œ
ˆ'7&µZ£jZ¶®
°°%°=¥ ª8&")*¬"µŽ&J.h&"·²J¸
 Œ1Œ2V’4>D‚Ð1$! 1 >‡²Ž ¹X/=Œš"J…&µXŽo)*")*/Žo/

º ’)‚–"»µ1¼/!#’oA)‚Œoˆe&µ…1%&/’M“Q‰f&') Œ=&')‚“ %&'u)J )‚š""!˜>DíMd  H  ÔZ #F *+\ X&  " -UBÖXèè6ÖC>

ŒGÖGVío>?|#"#"*H>gZ'26^ E#I #WXW'W '

'2)$06Z'2"#) H# - ≠'2b'X"DFC#B>‚

‚&")‚“Q' &"x•¦)*&/‚‚Œ
ˆi"-1  "-ˆ
“QY ÖUÚ Õ ç1×Wâ˜ç1ïï — ç%6: ï6Œ=: î1î>

bŒ€UZ˜ >;~XIK4>D„)   Q>9’'"#1  *Ï&Y

$0*, +)'3)0'2) $01W 2>
•¦)J&=/1"Œ
ˆ'…&‘

ŒŽO‚½¸ŒŽ¼Ÿ\”œ ¾+o'¢‡£CC¿Œ()‚%&''! /&'=)*-/\&'i£…&"¤?!‹1=ˆQ1'$/&'š)‚–e"-1¼1'A “ŒŒoˆ¥ bŒÚX^>-ÀDS

 ‰ > B4X\C  2>e**10&Y) '2#

&Y1Z'2) $06E'"*) +*- >‚Ð'W  '"D D d; X$06EX&ye$0 ) Z„'#'B Ly -# # - CÔZ #F *+\&‰:=*  XW‚E^# e** 2 ÖXè1è Œ>