LSA&SVD基本概念
来源:互联网 发布:浙江省社会文化数据 编辑:程序博客网 时间:2024/05/10 08:37
矩阵 M 的奇异值分解为 ,其中U是m×m阶酉矩阵;Σ是半正定m×n阶对角矩阵;而V*,即V的共轭转置,是n×n阶酉矩阵。这样的分解就称作M的奇异值分解。Σ对角线上的元素Σi,i即为M的奇异值。
SVD的应用:求伪逆;平行奇异值模型;矩阵近似值;
奇异值分解在统计中的主要应用为主成分分析(PCA),种数据分析方法,用来找出大量数据中所隐含的“模式”,它可以用在模式识别,数据压缩等方面。PCA算法的作用是把数据集映射到低维空间中去。 数据集的特征值(在SVD中用奇异值表征)按照重要性排列,降维的过程就是舍弃不重要的特征向量的过程,而剩下的特征向量组成的空间即为降维后的空间。
潜在语义分析(Latent Semantic Analysis)或者潜在语义索引(Latent Semantic Index),是1988年S.T. Dumais等人提出了一种新的信息检索代数模型,是用于知识获取和展示的计算理论和方法,它使用统计计算的方法对大量的文本集进行分析,从而提取出词与词之间潜在的语义结构,并用这种潜在的语义结构,来表示词和文本,达到消除词之间的相关性和简化文本向量实现降维的目的。
潜在语义分析的基本观点是:把高维的向量空间模型(VSM)表示中的文档映射到低维的潜在语义空间中。这个映射是通过对项/文档矩阵的奇异值分解(SVD)来实现的。
LSA 的应用:信息滤波、文档索引、视频检索、文本分类与聚类、图像检索、信息抽取等。
0 0
- LSA&SVD基本概念
- 谈谈SVD和LSA
- 谈谈SVD和LSA(zz)
- LSA SVD PLSI Topic Model
- 从SVD到LSA&PLSA
- SVD在LSA中的应用
- [干货汇总]LSA及SVD介绍
- LSA和SVD两种矩阵分解
- SVD分解和LSA的两篇学习资料
- 奇异值分解SVD应用—LSI/LSA
- LSA
- LSA
- LSA
- 主题模型TopicModel:LSA(隐性语义分析)模型和其实现的早期方法SVD
- SVD矩阵奇异值分解 && LSA潜语义分析算法 && PLSA
- 机器学习之奇异值分解SVD及应用于协同过滤推荐和LSA潜在语义分析
- 文本特征提取基本概念介绍----文档模型、相似度计算、潜在语义分析(LSA)
- SVD
- 接口和抽象类的考虑
- maven 常用命令
- POJ 1611 The Suspects(并查集)
- 好的博客网址 有例子
- 针尖对麦芒 两款旗舰级GPS户外腕表对比-Garmin(佳明)和Suunto(颂拓)旗下的Fenix和Ambit(拓野)
- LSA&SVD基本概念
- Operation not possible due to RF-kill
- 杭电ACM1018BigNumber解析
- DevExpress VCL Controls v15.1.5正式发布[附下载]
- hdu2255 奔小康赚大钱 带权二分图
- windows环境下安装Python Django
- Copying an image from one server to another using PHP
- C# winform 串口通信时检测电脑可用串口并显示
- Linux常用命令