狄利克雷分布公式_LSA潜在语义分析的原理、公式推导和应用

潜在语义分析(Latent Semantic Analysis，LSA)模型， 也称LSI( Latent Semantic Indexing)。

LSA主要用于文本的主题提取，挖掘文本背后的含义、数据降维等。

本文先介绍向量空间模型(Vector Space Model, VSM)、奇异值分解等基本概念；接着，引出潜在语义分析(Latent Semantic Analysis，LSA)模型及其原理；然后，介绍LSA的相关工具，及在文本主题提取上的应用；最后，对LSA进行总结，指出LSA的本质、优缺点和发展历程。主要目录如下：

一、LSA基础
1、VSM模型
2、奇异值分解
3、截断奇异值分解
二、LSA原理
1、话题向量空间
2、LSA提出
3、LSA原理
三、LSA应用
1、LSA工具
2、LSA挖掘主题
四、LSA总结
1、LSA的本质
2、LSA的优缺点
3、LSA的发展

直接上PPT。

LSA潜在语义分析的原理、公式推导和应用

一、LSA基础

LSA基础的目录

1、VSM模型

1975年，G. Salton等在论文《A Vector Space Model for Automatic Indexing》提出向量空间模型(Vector Space Model, VSM)。

VSM模型

VSM的基本思想：把一个文本映射成词向量，多个文本构成词向量空间。