Latent Semantic Analysis 笔记

传统向量空间模型的缺陷

向量空间模型是信息检索中最常用的检索方法，其检索过程是，将文档集D中的所有文档和查询都表示成以单词为特征的向量，特征值为每个单词的TF-IDF值，然后使用向量空间模型(亦即计算查询q的向量和每个文档di的向量之间的相似度)来衡量文档和查询之间的相似度，从而得到和给定查询最相关的文档。

向量空间模型简单的基于单词的出现与否以及TF-IDF等信息来进行检索，但是“说了或者写了哪些单词”和“真正想表达的意思”之间有很大的区别，其中两个重要的阻碍是单词的多义性(polysems)和同义性(synonymys)。多义性指的是一个单词可能有多个意思，比如Apple，既可以指水果苹果，也可以指苹果公司；而同义性指的是多个不同的词可能表示同样的意思，比如search和find。

我们希望找到一种模型，能够捕获到单词之间的相关性。如果两个单词之间有很强的相关性，那么当一个单词出现时，往往意味着另一个单词也应该出现(同义词)；反之，如果查询语句或者文档中的某个单词和其他单词的相关性都不大，那么这个词很可能表示的是另外一个意思(比如在讨论互联网的文章中，Apple更可能指的是Apple公司，而不是水果)。

---

基于 SVD + 降维（低阶近似） 构造出一个新的Term-Document矩阵，使得新矩阵和原有矩阵的F范数之差很小（降噪，降维的过程）

降维之后，将term和document映射到同一个低维空间，聚类可以发现良好的效果；

物理意义的解释：期待看到《数学之美》里的解释；

Update

这里我看了《数学之美》中，吴军对SVD的描述，虽然我觉得他把词和文章的矩阵搞反了。。。。也可能是我理解有误，但是这样的解释还是很清晰的；

上述图片中：
（按照我的理解）
第一个矩阵X，每行代表一片文章，每列代表一个主题；每个元素代表，文章和主题的相关程度；
第三个矩阵Y，每列代表一个词，每行代表一个词类；每个元素代表某个词属于某个词类的概率；
中间的矩阵B，是文章主题和词类的相关程度；
这样解释，倒是十分清楚；

---

在新的矩阵中，潜层语义信息被表现出来；
即按照新的矩阵去索引文档，能够找到更准确的相近的文档

所以
LSI 输入：Term-Document矩阵
LSI 输出：新的（包含潜层语义信息的）Term-Document矩阵

Update 5.28

那么这两个矩阵有什么区别呢？
https://blog.csdn.net/cang_sheng_ta_ge/article/details/46708515
这里讲到了一个 low-rank approximation
那么原来的高rank的矩阵是输入
新产生的低rank的矩阵就是输出
中间的变化就是可以选择特征值最大的前k个，作为topic
那么新的矩阵中，每个term对应的那一列也可以作为一个词向量

中间的问题：

• 如何选中间的 $\Sigma$ 矩阵的前n个奇异值，换句话说，n如何确定?

  n就是主题个数，这个问题在第一个参考链接里有回答。

• 特征值怎么保证从大到小排列，对应的特征向量的顺序改不改变？

参考：

1. 文本主题模型之潜在语义索引(LSI)
2. Latent semantic analysis note
3. latent semantic analysis via the singular value decomposition
   
4. 奇异值分解SVD应用——LSI