随着基于构件的软件开发技术的推广和深入发展,构件库已经在软件研究领域得到越来越多的关注。构件的查询是构件库的基本功能,利用聚类分析技术对构件进行聚类,可以实现构件的自动分类,有效地提高构件的查询效率。因为构件可以采用XML文档描述,而描述文档可以作为构件的标识,所以对构件的聚类可以转换为对其XML描述文档的聚类。因此对XML文档相似性和软件构件聚类进行研究具有非常重要的意义。XML文档是结构信息和语义信息的综合体,因此XML文档相似性的研究需要将结构信息和语义信息两者相结合。首先,XML文档中非叶子节点重复出现使得相似性计算复杂化,通过重复约简和嵌套约简消除非叶子节点的重复,使得XML文档结构简化;然后,分析XML文档特征,对前人提出的结构化递归模型作了扩展,利用元素间的有序嵌套来体现XML文档的结构信息,充分考虑标签、标签的权重以及叶子节点值及其权重,使用WordNet和自定义的相似字典SD来计算XML文档标签的语义信息,通过给出的公式计算叶子节点的相似性,依据其结构特点给出标签和叶子节点的权重;最后,给出XML相似性计算的层次递归算法。本文采用通用的刻面描述方案来描述构件,并以XML作为构件描述的标记语言。根据XML相似性的层次递归算法得到相似性矩阵,然后通过凝聚式层次聚类算法实现对构件描述文档的聚类。实验表明XML相似性的层次递归算法可以有效地计算XML文档之间的相似性,在此基础上的构件描述文档聚类能有效满足软件构件聚类的要求。