VSM - 向量空间模型

一个文本表现为由标点和文字组成的字符串，由字成词，由词生短语，由短语组成句子，进而是段落，节，篇章。要使计算机能够高效的处理真实文本，必须找到一个可行的并且理想的表示方案。这种表示一方面需要真实反映文档内容，另一方面要对不同文档有区分能力。
向量空间模型（Vector Space Model）是一种自然语言处理中常用的模型，它是G.Salton等人在二十世纪60年代提出的，最早用在SMART信息检索系统中。VSM涉及如下基本概念：
文档（document）：通常是文档中具有一定规模的片段，从句子到篇章，都可看做一个文档。
项、特征项（term, feature term）：特征项是VSM中不可分的语言单元，可以是字，词，短语等。一个文档内容被看成是它含有特征项所组成的集合，表示为：Document=D(t1,t2,…tN)，其中t(k)是特征项，1<=k<=N。
项的权重（term weight）：对于含有n个特征项的文档D（t1,t2,t3,...,tN），每一个特征都依据一定的原则被赋予一个权重w(k)，表示它们在文档中的重要程度。这样一个文档D可用它含有的特征项及其特征项对应的权重所表示，D=D(t1,w1; t2,w2; ... ; tN,wN)，其中w(k)就是特征项t(k)的权重，1<=k<=N。
一个文档在上述约定下可以看成是n维空间中的一个向量，这就是向量空间模型。值得注意的是，VSM有如下的特点：
1.各个特征项互异
2.各个特征项无先后顺序关系（即，不考虑文档的内部结构）
这样，t(k),k∈(1,N)，就是一个N维坐标系，w(k)就是坐标值，一个文本就是这个N维空间中的一个向量。