在看到语义处理——降维处理环节时，有用到LSA（潜语义分析）通过对大量的文本集进行统计分析，从中提取出词语的上下文使用含义。
LSA和传统向量空间模型(vector space model)一样使用向量来表示词(terms)和文档(documents)，并通过向量间的关系(如夹角)来判断词及文档间的关系；不同的是，LSA 将词和文档映射到潜在语义空间，从而去除了原始向量空间中的一些“噪音”，提高了信息检索的精确度。
LSA处理过程中需要用到SVD算法，将多维向量进行 拆解 M x N = M x B · …B x N
SVD分解，即奇异值分解，听起来很高大上，其实就是将一个矩阵用其他几个矩阵的乘积来表示。假设有 m×n 的矩阵 A，那么 SVD 就是要找到如下式的这么一个分解，将 A分解为 3 个矩阵的乘积：
A m x n = Um x k X ∑ k x k X Vk x nT
流程：
（1）分析文档集合，建立词汇-文本矩阵A。（相比PCA最大的区别）
（2）对词汇-文本矩阵进行奇异值分解。
（3）对SVD分解后的矩阵进行降维。
（4）使用降维后的矩阵构建潜在语义空间。（潜在语义空间仅针对所用的文档中的词，对文档中的词进行聚类）
疑问1：什么是潜在语义空间？（个人理解为仅在文档范围类的“词-词”对应关系）
主成分分析（PCA）：调出数据集中 最具“代表”的几个数据（多维，即向量定义）
也可以用SVD算法进行降维处理。 （用最大的k个的奇异值和对应的左右奇异向量来近似描述矩阵）
疑问2：如何将SVD用于推荐算法，将用户和喜好对应的矩阵做特征分解，进而得到隐含的用户需求来做推荐？ （个人理解为 空余-空间向量补充）
区分 传统向量空间模型 与 潜在语义空间模型：
传统向量空间模型：有什么匹配什么
潜在语义空间模型：有什么匹配什么 + 关联什么匹配什么
网友评论