基于潜在语义分析 (LSI)的信息检索模型
(本章课上涉及到的内容 too mathy,这里去掉了不常用的过于复杂的数学内容)
1、用co-occurence来衡量词和词的相似度
- term-term matrix: 词语的共现
每次选定一个中心词,有一个滑动的小窗,看context word落在以中心词为中心的小窗中。
举个栗子:
- term-document matrix:词语在不同的文档中出现了多少次,可以用它来做Latent Semantic Analysis(LSI)
举例:
但是,这样的term-term矩阵和term-doc矩阵太过庞大且稀疏,所以我们要对它进行特征降维。
2、SVD分解
先复习一下奇异值分解:
酉矩阵的定义:
对term-doc矩阵做奇异值分解:
只保留前k个最大的特征值,后面的特征值置零:
在U矩阵中,term已经缩小为了k维;在V矩阵中,doc已经缩小为了k维。
同样的,对term-term矩阵也可以做同样的操作,取最大的k个特征值:
矩阵的相似度
F-范数:
经过SVD分解之后的矩阵Ak由于只保留了k个最大的特征值,已经丢失了部分信息,因此只是原矩阵A的近似。Ak和A的距离为: