向量空间模型算法( Vector Space Model )

概念介绍

向量空间模型（VSM：Vector Space Model）由Salton等人于20世纪70年代提出，并成功
地应用于文本检索系统。
VSM概念简单，把对文本内容的处理简化为向量空间中的向量运算，并且它以空间上的相似
度表达语义的相似度，直观易懂。当文档被表示为文档空间的向量，就可以通过计算向量之间
的相似性来度量文档间的相似性。文本处理中最常用的相似性度量方式是余弦距离。
M个无序特征项ti，词根/词/短语/其他每个文档dj可以用特征项向量来表示（a1j,a2j，…，
aMj）权重计算，N个训练文档AM*N= (aij) 文档相似度比较
向量空间模型 （或词组向量模型) 是一个应用于信息过滤，信息撷取，索引以及评估相关性的
代数模型。

算法原理

1. 计算权重(Term weight)的过程。
影响一个词(Term)在一篇文档中的重要性主要有两个因素：
Term Frequency (tf)：即此Term在此文档中出现了多少次。tf 越大说明越重要。
Document Frequency (df)：即有多少文档包含次Term。df 越大说明越不重要。
词(Term)在文档中出现的次数越多，说明此词(Term)对该文档越重要，如“搜索”这个词，在
本文档中出现的次数很多，说明本文档主要就是讲这方面的事的。然而在一篇英语文档中，
this出现的次数更多，就说明越重要吗？不是的，这是由第二个因素进行调整，第二个因素说明，有越多的文档包含此词(Term), 说明此词(Term)太普通，不足以区分这些文档，因而重要
性越低。
我们来看一下模型公式：

这仅仅只term weight计算公式的简单典型实现。实现全文检索系统的人会有自己的实现，
Lucene就与此稍有不同。
2. 判断Term之间的关系从而得到文档相关性的过程，也即向量空间模型的算法(VSM)。
我们把文档看作一系列词(Term)，每一个词(Term)都有一个权重(Term weight)，不同的词
(Term)根据自己在文档中的权重来影响文档相关性的打分计算。
于是我们把所有此文档中词(Term)的权重(Term weight) 看作一个向量。
Document = {term1, term2, …… ,term N}
Document Vector = {weight1, weight2, …… ,weight N}
同样我们把查询语句看作一个简单的文档，也用向量来表示。
Query = {term1, term 2, …… , term N}
Query Vector = {weight1, weight2, …… , weight N}
我们把所有搜索出的文档向量及查询向量放到一个N维空间中，每个词(term)是一维。

如图：

我们认为两个向量之间的夹角越小，相关性越大。
所以我们计算夹角的余弦值作为相关性的打分，夹角越小，余弦值越大，打分越高，相关性越
大。
相关性打分公式如下:

举个例子，查询语句有11个Term，共有三篇文档搜索出来。其中各自的权重(Term weight)，
如下表格。

于是计算，三篇文档同查询语句的相关性打分分别为：

于是文档二相关性最高，先返回，其次是文档三，最后是文档一。
到此为止，我们可以找到我们最想要的文档了。

案例：