NMF与LSA时间复杂度分析

最新推荐文章于 2024-07-26 23:15:18 发布
最新推荐文章于 2024-07-26 23:15:18 发布
阅读量1.9k 收藏
点赞数
分类专栏： NLP
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jinyuan7708/article/details/80444063
版权

NMF与LSA时间复杂度分析

——2018.5.24于TJU QQ：1219154092

一、LSA

浅层语义分析（LSA）通过“矢量语义空间”来提取文档与词中的“概念”，进而分析文档与词之间的关系。LSA的基本假设是，如果

最低0.47元/天 解锁文章
小亮 Play NLP
关注
专栏目录
基于协同过滤的SVD的推荐系统
哆啦咪~fo
10-20 9995
参考论文：Using Singular Value Decomposition Approximation For Collaborative Filtering 背景：m-n矩阵是一个打分矩阵，m是用户的数量，n为项目的数量，Ai,j表示用户i对项目j的评分情况。矩阵A一般存在两个问题。 1> 矩阵A通常非常的庞大，m、n可能有上百万或者是上亿的数量级 2> 矩阵A是一个非常稀疏的矩阵 所以
NMF 非负矩阵分解 -- 原理与应用
热门推荐
qq_26225295的博客
04-21 5万+
1.原理发现写关于非负矩阵的博文还是蛮多的，还是以自己的角度总结一下自己的最近看的若干东西以及对非负矩阵分解有用的一些资料链接。NMF，全称为non-negative matrix factorization，中文呢为“非负矩阵分解”。NMF的思想：V=WH（W权重矩阵、H特征矩阵、V原矩阵），通过计算从原矩阵提取权重和特征两个不同的矩阵出来。属于一个无监督学习的算法。
无监督学习——非负矩阵分解（NMF）
weixin_43580339的博客
07-02 4023
序 非负矩阵分解（NMF）是一种无监督学习算法，其目的在于提取有用的特征。它的工作原理类似于PCA，也可以用于降维。与PCA相同，我们试图将每个数据点写成一些分量的加权求和。但在PCA中，我们想要的是正负分量，并且能够解释尽可能多的数据方差；而在NMF中，我们希望分量和系数均为负，也就是说，我们希望分量和系数都大于或等于0。因此，NMF只能应用于每个特征都是非负的数据，因为非负分量的非负求和不可能变为负值。 将数据分解成非负加权求和的这个过程，对由多个独立源相加（或叠加）创建而成的数据特别有用，比如多人说话
算法时间复杂度空间复杂度
lxj的博客
12-24 172
算法： 算法：是解决某一类问题的通法，即一系列清晰无歧义的计算指令。每个算法只能解决具有特定特征的一类问题，但一个问题可由多个算法解决。 一个算法应该有以下五个方面的特性： 输入（Input）：算法必须有输入量，用以刻画算法的初始条件（特殊情况也可以没有输入量，这时算法本身定义了初始状态）； 输出（Output）：算法应有一个或以上输出量，输出量是算法计算的结果。没有输出的算法毫无意义。 ...
奇异值分解(SVD)时间复杂度分析与优化
最新发布
哦豁灬
07-26 1357
奇异值分解是一种矩阵分解的方法，大学线性代数里面也讲过奇异值分解的方法，因此这是一个为大家所熟知的算法。
LSI（SVD）、NMF的理解及推导
赵小越的博客
08-08 1262
       主题模型，是一种语言模型，是对于文字中隐含的主题的一种建模的方法。对于主题模型的副产品，一个很重要的应用在于用主题模型方法来抽取词向量，其中，LSI方法是词向量分布式表示方法中的syntagmatic model中的典型代表，利用了词之间的共现情况，也就是利用到了相似的词出现的语境类似的特性，然后得到词向量的表述，是一种基于矩阵（基于计数）的词向量抽取模式。 ...
LSA-V2:LSA V2
03-13
1. **效率提升**：原版LSA可能会面临计算量大、时间复杂度高的问题，LSA-V2可能采用了更高效的算法或数据结构，以降低计算资源的消耗，提高处理大规模文本数据的速度。 2. **精度优化**：通过更精细的参数调整或...
从基于矩阵分解的TF-IDF到潜在语义分析（LSA）
# 1. TF-IDF简介 ## A. 什么是TF-IDF TF-IDF（Term Frequency-Inverse Document Frequency）是一种用于信息检索和文本挖掘的常用加权技术。它通过评估一个词对于一个文件集或一个语料库中的其中一个文档的重要程度...
机器学习中SVD总结
Microstrong
05-21 4245
本文同步更新在我的微信公众号里。地址：https://mp.weixin.qq.com/s/Dv51K8JETakIKe5dPBAPVg本文同步更新在我的知乎专栏里面：机器学习中SVD总结 - Microstrong的文章 - 知乎https://zhuanlan.zhihu.com/p/370385421.矩阵分解1.1 矩阵分解的作用. 矩阵填充（通过矩阵分解来填充原有矩阵，例如协同过滤的AL...
SVD(奇异值分解)算法及其评估
10-04
矩阵分的奇异值分解 国内的线性代数书籍都只讲了对称矩阵的分解，没有一般矩阵的分解 对图形学很有用
几种文本特征降维方法的比较分析
09-03
隐含语义分析(LSA) 、概念索引(CI) 、非负矩阵分解(NMF) 和随机映射(RP)是几种有效的降维方法, 在分析降维空间的含义和计算复杂度后, 通过文本聚类实验比较和分析了这几种降维方法的差异, 实验表明, 这些方法不仅...
NMF非负矩阵分解算法（Non-negative Matrix Factorization）
weixin_44192389的博客
05-28 2665
NMF的基本思想可以简单描述为： 对于任意给定的一个非负矩阵V，NMF算法能够寻找到一个非负矩阵W和一个非负矩阵H，使得满足 ，从而将一个非负的矩阵分解为左右两个非负矩阵的乘积。如下图所示，其中要求分解后的矩阵H和W都必须是非负矩阵。 矩阵V分解为左矩阵W和右矩阵H，可理解为原始矩阵V的列向量是H中的所有列向量的加权和，对应的权重系数则是W的列向量的元素，所有H称为基矩阵，W称为系数矩阵。 NMF在人脸识别的应用中和PCA还有VQ分解不同。VQ分解是用一张完整的图像直接代表源脸部图像；PCA是将几个完整人
计算机网络（十三）——路由算法
LongXinKou的博客
05-14 5761
文章目录1. 概述2. 路由选择算法2.1 链路状态路由选择算法（LS）2.2 距离向量路由选择算法（DV）2.3 DV和LS算法的对比 网络层由数据平台和控制平台两个部分组成。接下来我们将对控制平台进行讨论。 1. 概述 重点 转发表和流表是如何计算、维护和安装的。 路由器的转发操作需要根据转发表将输入分组传输到合适的输出链路，因此转发表的初始化和更新很重要。有两种方式能够完成转发表的计算、维护与安装： 路由器控制：每台路由器都运行一种路由选择算法。 ①路由器包含转发和路由选择两种功能。 ②路由器
NMF非负矩阵分解
m0_37544963的博客
03-23 1033
参考文献：Lee D D , Seung H S . Learning the Parts of Objects by Non-Negative Matrix Factorization[J]. Nature, 1999, 401(6755):788-791. 这篇文章是NMF首先被提出的文章，1999年发表于《Nature》。 NMF即非负矩阵分解，是一种（非线性）降维的方法，常用于文本和图像的...
求递归算法时间复杂度：递归树
weixin_30564901的博客
12-21 1574
　　递归算法时间复杂度的计算方程式一个递归方程： 　　 　　在引入递归树之前可以考虑一个例子： 　　T(n) = 2T(n/2) + n2 　　迭代2次可以得： 　　T(n) = n2 + 2(2T(n/4) + (n/2) 2) 　　还可以继续迭代，将其完全展开可得： 　　T(n) = n2 + 2((n/2) 2 + 2((n/22)2 + 2((n/23) 2 + 2((n/2...
推荐算法中的SVD,SVD++,MF
zhong_ethan的博客
09-04 4218
一. SVD （singular value decomposition) 奇异值分解 奇异值分解将矩阵分解为奇异值和奇异向量 A是一个m*n的矩阵，U是一个m*m的矩阵，D是一个m*n的矩阵，V是一个n*n的矩阵 矩阵D对角元素上的值称为矩阵A的奇异值，U的列向量称为左奇异向量，V的列向量称为右奇异向量 左奇异向量是的特征向量，右奇异向量是的特征向量，A的非零奇异值是和特征值的平方根...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值