20xx年5月10日@實驗室lsi、矩陣分解、cuda技術gt(已修改)
2025-10-11 11:35 本頁面
【正文】 2 講個例子，看看理解對不對 Cite: 3 LSI (Latent Semantic Indexing)隱語義索引 ? 設 Doc1, Doc2, Doc3是三個文件 . 一些術語在這三個文件中的出現(xiàn)情況如下表 : Doc1 Doc2 Doc3 access X document X retrieval X X information X* X* theory X database X indexing X puter X* X* 這里 , 假定用 information 和 puter作為主題詞進行檢索 , 那么 Doc2和Doc3與之精確匹配 , 因而中選 . 然而 , Doc2是用戶并不想要的文件 , Doc1才是想要的查不出來 . 問題：由于一詞多義 , 基于精確匹配的檢索算法會報告許多用戶不要的東西 。 由于一義多詞 ,基于精確匹配的檢索算法又會遺漏許多用戶想要的東西。 4 繼續(xù) 1 ? 首先 , 以術語 (terms)為行 , 文件 (documents)為列做一個大矩陣 (matrix). 設一共有 t行 d列 , 矩陣名為 X. 矩陣的元素為術語在文件中的出現(xiàn)頻度 . ? 數學上可以證明 : X可以分解為三個矩陣 T0, S0, D039。(D0的轉置 )的積 . 其中 T0和 D0的列向量都是正交歸一化的 , S0是對角矩陣 . T0是 t*m矩陣 , S0是 m*m矩陣 ,D0是d*m矩陣 ,m是 X的秩 . 這種分解叫做單值分解 (singlar value deposition,簡稱SVD)
教學課件相關推薦
鄂ICP備17016276號-1