潜在语意索引（LSI）

目录

1. LSI概述

2. LSI简单实例

3. LSI 用于文本相似度计算

4. LSI模型总结

---

1. LSI概述

潜在语义索引(Latent Semantic Indexing, LSI)，有的文章也叫Latent Semantic  Analysis（LSA）。其实是一个东西，后面我们统称LSI，它是一种简单实用的主题模型。LSI是基于奇异值分解（SVD）的方法来得到文本的主题的。而SVD及其应用我们在前面的文章也多次讲到，比如：奇异值分解(SVD)原理与在降维中的应用和矩阵分解在协同过滤推荐算法中的应用。

这里我们简要回顾下SVD：对于一个𝑚×𝑛的矩阵𝐴，可以分解为下面三个矩阵：

有时为了降低矩阵的维度到k，SVD的分解可以近似的写为：

如果把上式用到我们的主题模型，则SVD可以这样解释：我们输入的有m个文本，每个文本有n个词。而𝐴𝑖𝑗则对应第i个文本的第j个词的特征值，这里最常用的是基于预处理后的标准化TF-IDF值。k是我们假设的主题数，一般要比文本数少。SVD分解后，𝑈𝑖𝑙对应第i个文本和第l个主题的相关度。𝑉𝑗𝑚对应第j个词和第m个词义的相关度。Σ𝑙𝑚对应第l个主题和第m个词义的相关度。

也可以反过来解释：我们输入的有m个词，对应n个文本。而𝐴𝑖𝑗则对应第i个词档的第j个文本的特征值，这里最常用的是基于预处理后的标准化TF-IDF值。k是我们假设的主题数，一般要比文本数少。SVD分解后，𝑈𝑖𝑙对应第i个词和第l个词义的相关度。𝑉𝑗𝑚对应第j个文本和第m个主题的相关度。Σ𝑙𝑚对应第l个词义和第m个主题的相关度。

这样我们通过一次SVD，就可以得到文档和主题的相关度，词和词义的相关度以及词义和主题的相关度。

2. LSI简单实例

这里举一个简单的LSI实例，假设我们有下面这个有11个词三个文本的词频TF对应矩阵如下：

 

这里我们没有使用预处理，也没有使用TF-IDF，在实际应用中最好使用预处理后的TF-IDF值矩阵作为输入。

我们假定对应的主题数为2，则通过SVD降维后得到的三矩阵为：

 

     从矩阵𝑈𝑘我们可以看到词和词义之间的相关性。而从𝑉𝑘可以看到3个文本和两个主题的相关性。大家可以看到里面有负数，所以这样得到的相关度比较难解释。

3. LSI 用于文本相似度计算

在上面我们通过LSI得到的文本主题矩阵可以用于文本相似度计算。而计算方法一般是通过余弦相似度。比如对于上面的三文档两主题的例子。我们可以计算第一个文本和第二个文本的余弦相似度如下 ：

4. LSI模型总结

LSI是最早出现的主题模型了，它的算法原理很简单，一次奇异值分解就可以得到主题模型，同时解决词义的问题，非常漂亮。但是LSI有很多不足，导致它在当前实际的主题模型中已基本不再使用。

主要的问题有：

1） SVD计算非常的耗时，尤其是我们的文本处理，词和文本数都是非常大的，对于这样的高维度矩阵做奇异值分解是非常难的。

2） 主题值的选取对结果的影响非常大，很难选择合适的k值。

3） LSI得到的不是一个概率模型，缺乏统计基础，结果难以直观的解释。

　　对于问题1），主题模型非负矩阵分解（NMF）可以解决矩阵分解的速度问题。对于问题2），这是老大难了，大部分主题模型的主题的个数选取一般都是凭经验的，较新的层次狄利克雷过程（HDP）可以自动选择主题个数。对于问题3），牛人们整出了pLSI(也叫pLSA)和隐含狄利克雷分布(LDA)这类基于概率分布的主题模型来替代基于矩阵分解的主题模型。

回到LSI本身，对于一些规模较小的问题，如果想快速粗粒度的找出一些主题分布的关系，则LSI是比较好的一个选择，其他时候，如果你需要使用主题模型，推荐使用LDA和HDP。

参考链接：https://www.cnblogs.com/pinard/p/6805861.html